ホーム > 特許ランキング > ＤＥＥＰＳＩＧ ＩＮＣ．
知財求人 - 知財ポータルサイト「IP Force」
特表2024-522352機械学習ネットワークを使用した可変通信チャネル応答の生成
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-06-18
(54)【発明の名称】機械学習ネットワークを使用した可変通信チャネル応答の生成
(51)【国際特許分類】
H04B 17/391 20150101AFI20240611BHJP
G06N 3/0455 20230101ALI20240611BHJP
【ＦＩ】
H04B17/391
G06N3/0455
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023573413
(86)(22)【出願日】2022-05-27
(85)【翻訳文提出日】2024-01-29
(86)【国際出願番号】 US2022031387
(87)【国際公開番号】W WO2022251668
(87)【国際公開日】2022-12-01
(31)【優先権主張番号】63/194,744
(32)【優先日】2021-05-28
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．３ＧＰＰ
２．ＢＬＵＥＴＯＯＴＨ
３．ＷＣＤＭＡ
４．イーサネット
(71)【出願人】
【識別番号】523447502
【氏名又は名称】ディープシグ インコーポレイテッド
【氏名又は名称原語表記】ＤＥＥＰＳＩＧ ＩＮＣ．
【住所又は居所原語表記】１２０１ Ｗｉｌｓｏｎ Ｂｌｖｄ．， Ｆｌｏｏｒ ２７， Ａｒｌｉｎｇｔｏｎ， Ｖｉｒｇｉｎｉａ ２２２０９ Ｕ．Ｓ．Ａ．
(74)【代理人】
【識別番号】110003281
【氏名又は名称】弁理士法人大塚国際特許事務所
(72)【発明者】
【氏名】ネイアー， ニティン
(72)【発明者】
【氏名】バッタチャルジャ， ラジブ
(72)【発明者】
【氏名】ロイ， タモグナ
(72)【発明者】
【氏名】オシェイ， ティモシー ジェイムズ
(72)【発明者】
【氏名】ウェスト， ネイサン
(57)【要約】
方法、システムおよび装置であって、コンピュータ記憶媒体上にエンコードされたコンピュータプログラムを含み、１つ以上の無線周波数（ＲＦ）通信チャネルに対応するシミュレートされたチャネル応答を生成するように訓練されたニューラルネットワークに、値の分布から１つ以上の値を提供することと、１つ以上のＲＦ通信チャネルの少なくとも１つの通信チャネルに対応するシミュレートされたチャネル応答を示す、ニューラルネットワークの出力を、ニューラルネットワークによる１つ以上の値の処理に基づいて取得することとを含む。
【特許請求の範囲】
【請求項1】
方法であって、通信チャネルのチャネル応答を示す１つ以上の値を取得することであって、前記チャネル応答を示す１つ以上の値が、自由度Ｎの第１のデータ構造によって表される、取得することと、
前記１つ以上の値を、自由度Ｎ未満で表される第２のデータ構造についてのパラメータを生成するように訓練された第１の機械学習モデルに提供することと、
前記第１の機械学習モデルから、１つ以上のパラメータを含む第１の出力を取得することと、
前記１つ以上のパラメータを用いて前記第２のデータ構造を生成することと、
合成チャネル応答を生成するように訓練された第２の機械学習モデルに前記第２のデータ構造を提供することと、を含む方法。
【請求項2】
請求項１に記載の方法であって、前記１つ以上のパラメータを用いて前記第２のデータ構造を生成することは、前記１つ以上のパラメータを用いて確率分布を決定することと、
前記確率分布を用いて前記第２のデータ構造の値を取得することと、を含む方法。
【請求項3】
請求項２に記載の方法であって、前記確率分布と、前記第１の機械学習モデルを訓練するための訓練分布とを比較することと、
前記確率分布と前記訓練分布との比較に基づいて、前記第１の機械学習モデルを更新することと、を含む方法。
【請求項4】
請求項３に記載の方法であって、前記訓練分布は、ガウス分布、タップ付き遅延線（ＴＤＬ）、クラスタ遅延線（ＣＤＬ）、リシアン分布、レイリー分布、または、シミュレートされたレイトレーシングモデルまたは他の空間シミュレーションモデルからの結果、のうちの１つである、方法。
【請求項5】
請求項１に記載の方法であって、前記合成チャネル応答と１つ以上の取得されたチャネル応答とを比較することと、
前記合成チャネル応答と前記１つ以上の取得されたチャネル応答との比較に基づいて、前記第２の機械学習モデルのパラメータを調整することと、を含む方法。
【請求項6】
請求項１に記載の方法であって、前記通信チャネルを介して第１の情報を送信することと、
前記通信チャネルを介した送信によって変更された前記第１の情報の表現としての第２の情報を、前記通信チャネルの出力として、取得することと、
前記第１の情報と前記第２の情報との比較に基づいて、前記チャネル応答を示す前記１つ以上の値を生成することと、を含む方法。
【請求項7】
請求項６に記載の方法であって、前記通信チャネルは、追加ホワイトガウスノイズ（ＡＷＧＮ）またはレイリーフェーディングチャネルモデル、国際電気通信連合（ＩＴＵ）または第３世代パートナーシッププロジェクト（３ＧＰＰ）フェージングチャネルモデル、エミュレートされた無線エミッション、伝達モデル、チャネル効果を生成するためのシミュレートされたジオメトリまたは環境内のレイトレーシング、ＴＤＬ、ＣＤＬ、実チャネル上で近似測定を行うように訓練された機械学習ネットワーク、チャネル状態情報推定ルーチンまたは他の測定信号処理アルゴリズム、シミュレーションおよびハードウェア伝送コンポーネントの組み合わせ、または無線システム内のチャネル測定、の少なくとも１つを含む、方法。
【請求項8】
請求項１に記載の方法であって、前記合成チャネル応答と受信信号に対応する情報とを用いて、前記受信信号を生成すること、を含む方法。
【請求項9】
請求項８に記載の方法であって、前記受信信号を生成することは、前記合成チャネル応答と前記受信信号としての前記情報との組み合わせに対応する出力を生成することを含む、方法。
【請求項10】
請求項９に記載の方法であって、前記組み合わせは、前記合成チャネル応答によって表されるデータと前記情報によって表されるデータとの間の乗算の結果を含む、方法。
【請求項11】
請求項９に記載の方法であって、前記組み合わせは、前記合成チャネル応答によって表されるデータと前記情報によって表されるデータとの間の畳み込みの結果を含む、方法。
【請求項12】
方法であって、通信チャネル応答に対応する値の分布から１つ以上の値を取得することと、
１つ以上の無線周波数（ＲＦ）通信チャネルに対応するシミュレートされたチャネル応答を生成するように訓練されたニューラルネットワークに、前記１つ以上の値を提供することと、
前記ニューラルネットワークによる前記１つ以上の値の処理に基づいて、前記ニューラルネットワークの出力を取得することであって、前記出力は、前記１つ以上のＲＦ通信チャネルの少なくとも１つの通信チャネルに対応するシミュレートされたチャネル応答を示す、取得することと、を含む方法。
【請求項13】
請求項１２に記載の方法であって、値の前記分布が、エンコーダニューラルネットワークによって生成される、方法。
【請求項14】
請求項１３に記載の方法であって、１つ以上の実世界チャンネル応答を用いて、前記エンコーダニューラルネットワークを訓練することを含む、方法。
【請求項15】
請求項１３に記載の方法であって、通信チャネルを介して送信されたデータと、前記通信チャネルを介して送信された後に受信されたデータとを、１つ以上の送受信データペアとして用いて、前記エンコーダニューラルネットワークを訓練すること、を含む方法。
【請求項16】
請求項１２記載の方法であって、前記シミュレートされたチャネル応答を用いて訓練出力を提供することを含み、前記訓練出力は、無線受信機、チャネル推定器、信号エンコーダネットワーク、信号デコーダネットワーク、または多入力多出力（ＭＩＭＯ）システムのうちの１つ以上を訓練するために用いられる、方法。
【請求項17】
請求項１６に記載の方法であって、前記訓練出力は、受信信号の近似を含む、方法。
【請求項18】
請求項１２に記載の方法であって、値の前記分布は、無線ユニット（ＲＵ）または分散ユニット（ＤＵ）から捕捉されたデータを用いて生成される、方法。
【請求項19】
動作を実行するためのコンピュータシステムによって実行可能な１つ以上の命令を記憶する非一時的コンピュータ可読媒体であって、通信チャネル応答に対応する値の分布から１つ以上の値を取得することと、
１つ以上の無線周波数（ＲＦ）通信チャネルに対応するシミュレートされたチャネル応答を生成するように訓練されたニューラルネットワークに、前記１つ以上の値を提供することと、
前記ニューラルネットワークによる前記１つ以上の値の処理に基づいて、前記ニューラルネットワークの出力を取得することであって、前記出力は、前記１つ以上のＲＦ通信チャネルの少なくとも１つの通信チャネルに対応するシミュレートされたチャネル応答を示す、取得することと、を含む非一時的コンピュータ可読媒体。
【請求項20】
請求項１９に記載の非一時的コンピュータ可読媒体であって、値の前記分布が、エンコーダニューラルネットワークによって生成される、非一時的コンピュータ可読媒体。
【請求項21】
請求項２０に記載の非一時的コンピュータ可読媒体であって、前記動作は、１つ以上の実世界チャンネル応答を用いて、前記エンコーダニューラルネットワークを訓練することを含む、非一時的コンピュータ可読媒体。
【請求項22】
請求項２０に記載の非一時的コンピュータ可読媒体であって、前記動作は、通信チャネルを介して送信されたデータと、前記通信チャネルを介して送信された後に受信されたデータとを、１つ以上の送受信データペアとして用いて、前記エンコーダニューラルネットワークを訓練すること、を含む非一時的コンピュータ可読媒体。
【請求項23】
請求項１９に記載の非一時的コンピュータ可読媒体であって、前記動作は、前記シミュレートされたチャネル応答を用いて訓練出力を提供することを含み、前記訓練出力は、無線受信機、チャネル推定器、信号エンコーダネットワーク、信号デコーダネットワーク、または多入力多出力（ＭＩＭＯ）システムのうちの１つ以上を訓練するために用いられる、非一時的コンピュータ可読媒体。
【請求項24】
請求項２３に記載の非一時的コンピュータ可読媒体であって、前記訓練出力は、受信信号の近似を含む、非一時的コンピュータ可読媒体。
【請求項25】
請求項１９に記載の非一時的コンピュータ可読媒体であって、値の前記分布は、無線ユニット（ＲＵ）または分散ユニット（ＤＵ）から捕捉されたデータを用いて生成される、非一時的コンピュータ可読媒体。
【請求項26】
システムであって、１つ以上のプロセッサと、
前記１つ以上のプロセッサと相互作用可能に接続され、前記１つ以上のプロセッサによって実行されると動作を実行する１つ以上の命令を記憶する機械可読媒体とを含み、前記動作は、
通信チャネル応答に対応する値の分布から１つ以上の値を取得することと、
１つ以上の無線周波数（ＲＦ）通信チャネルに対応するシミュレートされたチャネル応答を生成するように訓練されたニューラルネットワークに、前記１つ以上の値を提供することと、
前記ニューラルネットワークによる前記１つ以上の値の処理に基づいて、前記ニューラルネットワークの出力を取得することであって、前記出力は、前記１つ以上のＲＦ通信チャネルの少なくとも１つの通信チャネルに対応するシミュレートされたチャネル応答を示す、取得することと、を含むシステム。
【請求項27】
請求項２６に記載のシステムであって、値の前記分布が、エンコーダニューラルネットワークによって生成される、システム。
【請求項28】
請求項２７に記載のシステムであって、前記動作は、１つ以上の実世界チャンネル応答を用いて、前記エンコーダニューラルネットワークを訓練することを含む、システム。
【請求項29】
請求項２７に記載のシステムであって、前記動作は、通信チャネルを介して送信されたデータと、前記通信チャネルを介して送信された後に受信されたデータとを、１つ以上の送受信データペアとして用いて、前記エンコーダニューラルネットワークを訓練すること、を含むシステム。
【請求項30】
請求項２６に記載のシステムであって、前記動作は、前記シミュレートされたチャネル応答を用いて訓練出力を提供することを含み、前記訓練出力は、無線受信機、チャネル推定器、信号エンコーダネットワーク、信号デコーダネットワーク、または多入力多出力（ＭＩＭＯ）システムのうちの１つ以上を訓練するために用いられる、システム。
【発明の詳細な説明】
【関連出願の相互参照】
【0001】
本出願は、２０２１年５月２８日出願の米国仮出願第６３／１９４，７４４号の優先権の利益を主張し、その内容は、全体として参照することによってここに組み込まれる。
【技術分野】
【0002】
本明細書は、一般に機械学習を使用する通信システムに関するものであり、機械学習ネットワークを使用した通信信号の処理を含む。
【背景技術】
【0003】
通信システムは、例えば、空中、光ファイバケーブルまたは金属ケーブル、水中、または宇宙空間を介して、様々なタイプの通信媒体を送受信することを伴う。場合によっては、通信チャネルは、情報を送信するために無線周波数（ＲＦ）波形を使用し、その情報は、ＲＦ周波数で動作する１つ以上のキャリア波形上に変調される。また、ＲＦ波形自体がセンサやプローブの出力などの情報である場合もある。ＲＦ波形で搬送される情報は、コンピュータ内の内部システムバス、あるいはローカルまたはワイドエリアネットワークを介してなど、通信チャネルまたは他の通信形態を介して、典型的には、処理、記憶、および／または搬送される。
【発明の概要】
【0004】
いくつかの実施では、本開示に記載される主題は、通信信号を処理するために、ニューラルネットワークを統合的または反復的に訓練するための方法、装置、およびシステムにおいて具体化することができる。ニューラルネットワークは、通信チャネルを介して送信される通信信号をエンコードするように構成された１つ以上のニューラルネットワーク、チャネルを介して送受信されるエンコードされた信号をデコードするように構成された１つ以上のニューラルネットワーク、および、チャネルを介して伝搬される通信信号に対する実世界の通信チャネルの影響（例えば、密集した都市のマルチパス環境、過剰または混雑した屋内環境、動的な移動または高速の高速環境、高遅延スプレッドまたは高ドープラ環境、またはその他の形式の干渉および／または歪んだ充填チャネル環境に起因するフェージングまたは干渉などの影響）をシミュレートまたは近似するように構成された１つ以上のニューラルネットワークを含むことができる。実世界の通信チャネルの影響をシミュレートまたは近似する１つ以上のニューラルネットワークは、変分オートエンコーダを使用して訓練され、可変チャネル応答を生成することができる。チャネル応答は、１つ以上のアンテナに対して異なる遅延で受信された電力の複素数または実数の値を含むことができる。異なる遅延で受信される電力は、通信チャネルの環境の様々な特徴によって反射、屈折、散乱、または吸収される送信信号によるものであり得る。環境の変化、例えば、信号伝搬の経路を横切って動いている車や天候の変化などは、受信機が受信する電力を異なる遅延で変化させ得る。
【0005】
通信チャネルをシミュレートまたは近似する従来のモデルは、静的モデルである。中には、環境のタイプ、例えば、地方、都市、副都市などを考慮するチューニングパラメータを含む。しかし、そのような静的モデルは、環境における自然な変動を考慮せず、特定の環境の実際の条件を反映せず、代わりに、通常、同様の環境における平均的な条件を反映する。その結果、このようなモデルを使用して調整および分析された通信は、必ずしも正確ではなく、ユーザによる追加の微調整が必要になる場合がある。対照的に、本明細書に記載する主題は、特定の環境（例えば、特定の環境、または、特定の環境または他の記憶環境と特徴の閾値数を共有する環境）において送信される実際の信号の情報に基づいて、チャネル応答を生成することを提供する。さらに、通信環境の変動（例えば、とりわけ、物体の移動、自動車、時間帯、天候の変化）による信号伝搬の現実の変動を近似するために、チャネル応答を時間にわたって変化させることができる。
【0006】
通信システムは、伝統的に、便利な代数式（例えば、チャネル効果のために、変調及び／又は符号化プロセスの構造のために、及び／又はトランシーバの他の効果のために）で導出された解析モデルに基づいて、変調及び符号化アルゴリズムを手動で定義し実施することによって構築されてきた。このような手作業のエンジニアリング成果物とは対照的に、本明細書で開示する技術は、第１の情報のメッセージを近最適（ｎｅａｒ‐ｏｐｔｉｍａｌ）の送信波形に変換またはエンコードし、受信した波形を第２の情報メッセージにデコードするために、大規模な学習プロセスおよび（例えば、測定からの）データに依存するエンコーダおよびデコーダネットワークを使用し、これは、ますます効率的であり、近最適である。例えば、いくつかの実施形態では、このようなエンコードおよびデコードネットワークを最適化するために、第１および第２の情報間の損失または距離関数の勾配が、機械学習ネットワークにおけるパラメータのバックプロパゲーションのために使用される。
【0007】
エンコーダとデコーダとの間のこの勾配を計算するために、アナログハードウェア構成要素および／または無線伝搬効果（例えば、通信チャネルモデル）に基づいて無線信号に発生する障害のモデルが含まれ、その勾配も計算され得る。この開示では、このチャネルモデルの訓練、および学習したエンコーダおよびデコーダシステムを、１つ以上の問題として最適化できる２つの学習問題として扱うか、または２つの問題を代替することによって反復的に扱う方法およびシステムについて説明する。ある場合には、学習は、確率的勾配降下のような機械学習法を用いた最適化を含む。いくつかの実施では、２つの競合する目的関数または損失関数を最適化するプロセスは、敵対的ネットワークによって実行される。
【0008】
機能近似のためのパラメトリックネットワークと、多種多様な線形、非線形、およびモデル化困難なチャネル障害影響とを使用することによって、通信チャネルは、それを単純化することを試みることによって、チャネルモデルの妥当性を損なうことなく、開示される技術によって、迅速に近似され、モデル化される。近似チャネルに対するチャネル近似および近最適情報エンコードの対象を共に最適化することにより、通信システムは、特定のハードウェア装置、通信システム、チャネルタイプまたは障害、または他の制約に対して設計することができ、これらは伝統的にモデル化することが困難であるか、または準最適（ｓｕｂ‐ｏｐｔｉｍａｌ）性能をもたらすことが困難である（例えば、チャネル効果に関する仮定を単純化するとき）。
【0009】
従来、通信システム設計は、単純な分析スライシング機能を有する等間隔矩形グリッド上に最大に分離されたコンスタレーションポイントを配置したり、レート可変（ｒａｔｅ‐ｃｈａｎｇｉｎｇ）多項式を採用し、カスタマイズされたデコーディングアルゴリズムを通じて確率的に回復可能なパリティまたは情報混合を導入するコードワードを設計するなど、複数の特定タスクに分解された手動分析問題として扱われてきた。しかしながら、以下に説明するように、開示される技術は、通信システムを、自由度の高いエンコーダ及びデコーダのネットワークが、主として高レベルの損失関数（例えば、シンボルエラーレート又はビットエラーレート）によって駆動される、任意に情報を混合し、近最適のエンコード表現を学習することができる、大きな最適化問題として扱う。そうすることで、開示された技術は、新しいクラスの高効率通信システム設計を可能にし、これは、多くの無線通信およびエンコード問題に対する従来の解決策を上回ることができる。この文脈において、近最適は、一組の無線システム及び動作環境制約に対する物理及び情報理論の限界を考えると、能力、スループット、又は電力のような性能指標に関して達成可能なものとほぼ同等のものを示すことを意図している。
【0010】
第１の情報をエンコードおよびデコードして第２の情報を得るために手動で定義されたプロセスに依存する従来のシステムは、典型的には、それらが最適化していたチャネルモデルに関する特定の仮定を使用した。例えば、伝統的な変調方法（例えば、ＱＰＳＫ、６４‐ＱＡＭ、ＯＦＤＭ、または類似のもの）または符号化方法（例えば、畳み込み符号、ＢＣＨ符号、ターボ符号、ＬＤＰＣ符号、または類似のもの）が、既知のチャネルモデルに対してモデル化された。多くの場合、使用されるチャネルモデルは、研究中のモデルの分析（すなわち、変調またはコーディング法）を導出し、証明し、実演することを容易にするために単純化されている。たとえば、一般的な仮定として、チャネルには、より現実的な無線周波数（ＲＦ）ノイズではなく、単純な追加ホワイトガウスノイズ（Ａｄｄｉｔｉｖｅ Ｗｈｉｔｅ Ｇａｕｓｓ Ｎｏｉｓｅ）（ＡＷＧＮ）があるとする。解析的チャネルモデルが存在し、共通チャネル効果（例えば、マルチパスフェージング、キャリアオフセットおよびドップラモデル化）のために使用されるが、いくつかは、実世界の効果の近似に乏しい。多くの場合、パラメータ化され閉じた形式のチャネルモデルの導出方法を理解し、近似するために、特定のデプロイ環境におけるチャネル計測が使用される。これらの測定は、実施が困難であったり、高価であったりする可能性があり、しばしば、いくつかのパラメータをモデル化することに限定され、それゆえ、実世界のチャンネルの完全な影響を十分に表していない。同様に、既存の学習エンコードおよびデコードシステムでは、ある閉じた分析形式で表現されたチャネル効果の差分可能なモデルが、しばしば、チャネル内に存在する各効果のためのコンパクトな閉じた形式の式に依存して、最適化を実行するために使用される。
【0011】
上記とは対照的に、本明細書に開示される技術は、実世界のチャネル測定値に対する直接的なチャネルモデルの最適化および観測、ならびにチャネルを近似するための高自由度非線形ネットワークモデルに依存する。このアプローチは、閉じた形式のチャネルモデルまたはシステム内に存在するチャネル効果に関する仮定の必要性を除去する。場合によっては、チャネルは、エンコード最適化処理を用いて反復的または同時的に近似されて、増幅器のような無線またはアナログコンポーネントにおいて、広範囲で非線形および／またはモデル化困難なチャネル障害源に跨って、近最適な表現およびエンコードされたものを学習する。
【0012】
本明細書に記載される主題の１つの革新的な側面は、具体化された方法を含み、方法は、通信チャネルの応答を示す１つ以上の値を得ることであって、チャネル応答を示す１つ以上の値は、自由度Ｎで表される第１のデータ構造によって表される、ことと、自由度Ｎ未満で表される第２のデータ構造のためのパラメータを生成するように訓練された第１の機械学習モデルに１つ以上の値を提供することと、第１の機械学習モデルから第１の出力を得ることであって、第１の出力は１つ以上のパラメータを含む、ことと、１つ以上のパラメータを用いて第２のデータ構造を生成することと、合成チャネル応答を生成するよう訓練された第２の機械学習モデルに第２のデータ構造を提供することとを含む。
【0013】
本および他の側面の他の実施は、対応するシステム、装置、および、方法の動作を実行するように構成され、コンピュータ記憶デバイス上にエンコードされたコンピュータプログラムを含む。１つ以上のコンピュータのシステムは、システムにインストールされたソフトウェア、ファームウェア、ハードウェア、またはそれらの組み合わせによって構成され、動作中にシステムに動作を実行させることができる。１つ以上のコンピュータプログラムは、データ処理装置によって実行されるとき、装置に動作を実行させる命令を有することによって構成することができる。
【0014】
前述のおよび他の実施形態は、それぞれ、オプションとして、単独または組み合わせで、以下の特徴のうちの１つ以上を含むことができる。例えば、いくつかの実施では、１つ以上のパラメータを使用して第２のデータ構造を生成することは、１つ以上のパラメータを使用して確率分布を決定することと、確率分布を使用して第２のデータ構造の値を取得することとを含む。
【0015】
いくつかの実施では、動作は、第１の機械学習モデルを訓練するために、確率分布と訓練分布を比較すること、および、確率分布と訓練分布を比較することに基づいて、第１の機械学習モデルを更新することが含まれる。
【0016】
幾つかの実装形態では、訓練分布は、ガウス分布、タップ付き遅延線（ＴＤＬ）、クラスタ遅延線（ＣＤＬ）、リシアン分布、レイリー分布、又はシミュレートされたレイトレーシングモデル又は他の空間シミュレーションモデルからの結果、のうちの１つである。
【0017】
いくつかの実施では、動作は、合成チャネル応答を１つ以上の得られたチャネル応答と比較することと、合成チャネル応答を１つ以上の得られたチャネル応答と比較することに基づいて、第２の機械学習モデルのパラメータを調整することとを含む。
【0018】
いくつかの実施形態では、動作は、通信チャネルを介して第１の情報を送信することと、通信チャネルの出力として、通信チャネルを介した送信によって変更された第１の情報の表現として第２の情報を取得することと、第１の情報を第２の情報と比較することに基づいて、チャネル応答を示す１つ以上の値を生成することとを含む。
【0019】
いくつかの実施では、通信チャネルは、追加ホワイトガウスノイズ（ＡＷＧＮ）またはレイリー（Ｒａｙｌｅｉｇｈ）フェーディングチャネルモデル、国際電気通信連合（ＩＴＵ）または第３世代パートナーシッププロジェクト（３ＧＰＰ）フェージングチャネルモデル、エミュレートされた無線エミッション、エミュレートされたジオメトリモデル、シミュレートされたジオメトリまたは環境内のレイトレーシング、チャネル効果、ＴＤＬ、ＣＤＬ、実チャネル上で近似測定を行うように訓練された機械学習ネットワーク、チャネル状態情報推定ルーチンまたはその他の測定信号処理アルゴリズム、シミュレーションおよびハードウェア伝送コンポーネントの組み合わせ、または無線システム内のチャネル測定を生成する環境のうちの少なくとも１つを含む。
【0020】
いくつかの実施では、動作は、合成チャネル応答と受信信号に対応する情報とを使用して受信信号を生成することと、を含む。
【0021】
いくつかの実施では、受信信号を生成することは、合成チャネル応答と受信信号としての情報との組み合わせに対応する出力を生成することを含む。
【0022】
いくつかの実施では、組み合わせは、合成チャネル応答によって表されるデータと情報によって表されるデータとの間の乗算の結果を含む。
【0023】
いくつかの実施では、組み合わせは、合成チャネル応答によって表されるデータと情報によって表されるデータとの間の畳み込みの結果を含む。
【0024】
本明細書に記載される主題の別の革新的な側面は、値の分布から１つ以上の値を取得することと、１つ以上の無線周波数（ＲＦ）通信チャネルに対応するシミュレートされたチャネル応答を生成するように訓練されたニューラルネットワークに１つ以上の値を提供することと、１つ以上のＲＦ通信チャネルの少なくとも１つの通信チャネルに対応するシミュレートされたチャネル応答を示す出力をニューラルネットワークによる１つ以上の値の処理に基づいてニューラルネットワークの出力を取得することと、を含む方法で具現化される。
【0025】
本および他の側面の他の実施は、対応するシステム、装置、およびコンピュータプログラムを含み、コンピュータ記憶デバイス上にエンコードされた方法の動作を実行するように構成される。１つ以上のコンピュータのシステムは、システムにインストールされたソフトウェア、ファームウェア、ハードウェア、またはそれらの組み合わせによって構成され、動作中にシステムに動作を実行させることができる。１つ以上のコンピュータプログラムは、データ処理装置によって実行されるとき、装置に動作を実行させる命令を有することによって構成することができる。
【0026】
前述のおよび他の実施形態は、それぞれ、オプションとして、単独または組み合わせで、以下の特徴のうちの１つ以上を含むことができる。例えば、いくつかの実施では、値の分布はエンコーダニューラルネットワークによって生成される。
【0027】
いくつかの実施では、動作には、１つ以上の実世界のチャネル応答を用いてエンコーダニューラルネットワークを訓練することが含まれる。
【0028】
いくつかの実施では、動作には、通信チャネルを介して送信されるデータと、通信チャネルを介して送信された後に受信されるデータとを、１つ以上の送信および受信データペアとして使用して、エンコーダニューラルネットワークを訓練することが含まれる。
【0029】
いくつかの実施では、シミュレートされたチャネル応答を使用して訓練出力を提供し、当該訓練出力は、無線受信機、チャネル推定器、信号エンコーダネットワーク、信号デコーダネットワーク、または多入力多出力（ｍｕｌｔｉｐｌｅ ｉｎｐｕｔ ｍｕｌｔｉｐｌｅ ｏｕｔｐｕｔ）（ＭＩＭＯ）システムのうちの１つ以上を訓練するために使用される。
【0030】
いくつかの実施では、訓練出力は受信信号の近似を含む。
【0031】
いくつかの実施では、値の分布は、無線ユニット（ＲＵ）または分散ユニット（ＤＵ）から捕捉されたデータを使用して生成される。
【0032】
添付図面と以下の説明において、本発明の１以上の実施形態の詳細を説明する。本発明の他の特徴および利点は、説明、図面、および請求項から明らかになる。
【図面の簡単な説明】
【0033】
【0034】
【0035】
【0036】
【0037】
【0038】
【0039】
【0040】
【0041】
【0042】
【0043】
【0044】
【0045】
種々の図面における参照番号及び参照と同様に、類似の要素を示す。
【発明を実施するための形態】
【0046】
図１は、取得されたチャネル応答に基づいて１つ以上のネットワークを訓練するためのシステム１００の一例を示す図である。１つ以上のネットワークは、信号エンコーダネットワーク１２３、信号デコーダネットワーク１３９、およびチャネル近似モジュール１３３を含む。チャネル近似モジュール１３３は、１つ以上のネットワークを含むことができる。本明細書で言及されるネットワークは、ディープニューラルネットワーク、コンボリューショナルニューラルネットワークなどのニューラルネットワーク、他の機械学習ベースのアルゴリズムを含むことができる。この文脈では、チャネル応答は、通信チャネルに対する周波数応答を表すことができ、１つ以上のアンテナから異なる遅延で受信された電力の複素数または実数の値を含むことができる。
【0047】
システム１００は、デバイス１１５（例えば、ユーザデバイス、スマートフォン、ラップトップなど）及びデバイス１０１（例えば、ユーザデバイス、スマートフォン、サーバ、ラップトップなど）並びにデバイスによって操作される対応するモジュール及び処理を含む。図１に示す１つ以上のネットワークは、デバイス１１５、またはデバイス１１５に通信可能に接続された別の電子デバイスによって利用可能である。例えば、デバイス１１５は、１つ以上のネットワークの動作を実行するために、デバイス１１５の１つ以上のプロセッサによって実行されるように構成された命令を記憶するメモリを含むことができる。追加的にまたは代替的に、場合によっては、デバイス１１５は、サーバコンピュータなどの別のデバイスに通信可能に接続することができる。このような場合、サーバは１つ以上のネットワークの機能に対応する動作を実行する。例えば、デバイス１１５は、サーバからのデータを提供し、アクセスすることができる。サーバは、デバイス１１５からデータを受信し、１つ以上のネットワークの１つ以上の動作の実行に基づいて出力を提供することができる。サーバは、１つ以上のネットワークの動作を実行するために、サーバの１つ以上のプロセッサによって実行されるように構成された命令を記憶するメモリを含むことができる。
【0048】
図１は、デバイス１０１からデバイス１１５への無線通信信号１０８の送信を示す。信号１０８は、例えば、セルラ信号、Ｗｉ－Ｆｉ信号、または何らかの他のタイプの無線信号とすることができる。信号１０８は、環境内の無線通信チャネルを介して伝搬し、この通信チャネルは、例えば、屋外開放空間、屋内密閉空間、または屋内空間と屋外空間との組合せであってもよい。環境は、非線形（例えば、電力増幅器）、線形、または非線形および線形の障害効果の組み合わせを呈することが可能であり、これらは、送信機（例えば、デバイス１０１）から受信機（例えば、デバイス１１５）へ無線通信チャネルを介して伝搬されるにつれて、信号の特性に影響を及ぼす環境要素を含む。例えば、図１は、木１１１および車両１０９のような障害物を含む環境要素からの信号１０８に対する近似的伝搬効果の視覚的表現を示す。環境要素には、建物、動物、人、物理的な地理的要素（例えば、地形）なども含まれる。デバイス１０１から送信された信号１０８は、デバイス１１５によって受信され、受信信号１１７として処理される。さらに、信号伝搬に影響を与える可能性のある環境要素には、天候、時刻、およびその他の近くの無線デバイスのアクティビティが含まれる。
【0049】
環境は、固定または移動環境内の少なくとも１つの送信機および受信機を含むことができ、その中で、デバイスは、異なるＧＰＳ位置、位置、ポインティング角度、アンテナパターン、仰角、または他の特性または近傍のアクティビティまたはイベントを伴って動き回ることができ、シナリオの実世界版のデバイスは、データ測定、サウンディングデータ、およびログを記録されたパラメータを捕捉し、チャネルモデルを訓練するために使用することができ、訓練されたモデルは、シナリオのシミュレートされたバージョンを訓練するために使用することができる。
【0050】
環境には、データを送信する１つ以上の無線エミッタを含めることができる。無線エミッタは、例えば、数多くの異なるセルラータワー、セルラーアンテナまたは要素、Ｗｉ－Ｆｉエミッタ、あるいは、他の形態の無線信号または無線周波数エミッタ、例えば、放送タワー、通信システム、または車両からの放射を含むことができる。デバイス１１５及び対応するアンテナ１１３のような無線受信デバイスは、これらの送信を受信することができ、無線信号放射についての多数の特性を捕捉し記録することができる。特性は、正確な送信値「ｘ」（例えば、送信された値が事前に知られている場合、正しく受信されたパケットから、または他の何らかの手段から送信された場合）、実際に受信された値／サンプル「ｙ」、および推定チャネル応答「ｈ」の形式でのチャネル応答の推定値を含むことができる。
【0051】
特性は、広範囲の情報を含むことができる送信機または受信機に関するメタデータと組み合わせることができる。受信デバイスは、環境を通るある空間経路をたどることができ、受信機は、よりローカル基準フレーム上の高度、緯度、経度、または相対的な位置などの１つ以上の値、ならびにアンテナポインティング角度の方位および高度、送信アンテナまたは受信アンテナに関する特性、周囲領域の温度、湿度、周囲領域またはジオメトリなどの環境要因を記録することができる。これらの追加の発音変数の多くは、結果として生じるチャネル応答「ｈ」またはチャネル入力「ｘ」とチャネル出力「ｙ」との間の直接的な関係に影響を与える可能性がある。従って、ここでの音声またはチャネル測定活動の間にこれらの値を捕捉し記録するプロセスは重要であり得る。
【0052】
信号１０８のバージョンは、無線通信チャネルを介して伝搬した後に、受信信号１１７としてデバイス１１５において受信される。信号１０８、例えば、デバイス１０１のアンテナ１０３またはデバイス１１５のアンテナ１１３、または車両１０９および／または木１１１のような伝搬中の環境要素の影響を送受信するために使用されるアンテナの不完全性のために、受信信号１１７は、送信された信号１０８と同一でなくてもよい。例えば、信号１０８は、車両１０９から反射されてもよく、車両１０９が動くと、信号１０８の反射が変化して、信号伝搬に変化を生じさせ、結果としてデバイス１１５によって受信される信号に変化を生じさせる。
【0053】
ある実施形態では、デバイス１０１は、参照インジケータ１０５を使用して信号１０８を生成する。参照インジケータ１０５は、特定の文字または記号を含むことができる。図示されるように、被送信信号１０８は被送信情報１０７を伝えるために使用され、例えば、被送信情報１０７は、信号１０８として無線周波数（ＲＦ）信号波形に変調されるデータに対応する。デバイス１０１は、伝送情報１０７をアナログ信号１０８に変換するために、１つ以上のデジタル－アナログ変換器を含むことができる。デバイス１０１の１つ以上のアンテナは、無線通信チャネルを介して信号１０８を送信する。
【0054】
デバイス１１５は、受信した信号１１７を処理する。この処理と関連する訓練については、図１のステージＡ－Ｄについて説明する。図示のように、ステージＡにおいて、デバイス１１５は、１つ以上のアンテナ１１３を使用して、信号１０８の表現として信号１１７を受信する。デバイス１１５の被送信信号抽出モジュール１１９は、受信信号１１７を得る。ある場合には、信号１１７は、受信アナログ信号のデジタル表現である。デバイス１１５内の１つ以上のアナログデジタルコンバータまたは前処理技術を使用して、デバイス１１５が受信したアナログ信号を受信信号１１７に変換する。
【0055】
被送信信号抽出モジュール１１９は、デバイス１０１によって信号１０８内にエンコードされた送信情報１０７の表現として、受信信号１１７から送信情報１２１を抽出する。被送信情報１２１および被送信情報１０７は、シンボル、ビット、コードワード、または他の適切な情報の形態とすることができる。
【0056】
ある実施形態では、被送信情報１０７とともに、デバイス１０１は、被送信信号１０８内の参照インジケータ１０５を含む。このような場合、被送信信号抽出モジュール１１９はまた、受信信号１１７内の参照インジケータ１０５を識別する。場合によっては、参照インジケータ１０５は、ヘッダ内の一連のビットであってもよいし、信号１０８の別の部分であってもよい。参照インジケータ１０５は、受信機において、被送信情報１２１が何であるか、及び／又は受信信号から被送信情報１２１をどのように生成するかを決定するために使用されることができる。例えば、参照インジケータ１０５は、被送信情報１２１が被送信信号１０７の正確な表現であるかどうかをデバイス１１５が判定できるように、デバイス１１５が受信信号のチェックサムを実行できるようにするためのデータを含むことができる。
【0057】
参照インジケータの使用は、タイミングリファレンスがデバイス１０１とデバイス１１５との間で共有されない場合に有用である。このような場合、参照インジケータ１０５を参照同期のために使用して、デバイス１１５が、独立型信号であっても信号１０８の一部であってもよい参照信号の到着時間を決定できるようにすることができる。デバイス１１５は、調整信号の関連付けの処理を通じて、被送信信号１０７を復元することができる（例えば、時間調整信号または周波数調整信号が、基準同期情報を使用して、受信されたデジタル信号１１７から抽出され、変調情報源からの送信情報１０７と関連付けることができる）。
【0058】
いくつかの実施では、ビットを使用する追加的または代替的方法として、デバイス１０１は、参照インジケータ１０５として信号１０８内に基準トーンを挿入する。例えば、デバイス１０１は、被送信情報１０７と、信号１０８内の擬似乱数（ＰＮ）チップシーケンス、または他の既知のプリアンブルまたは基準トーンなどの基準トーンとを含むことができる。基準トーンは、エンコードされた情報への既知の時間オフセット（例えば、それの直前、それに続く、またはその他）で挿入することができる。デバイス１１５は、既知の時間オフセットによって、信号１０８のエンコードされて被送信信号１０７のタイミング（および周波数）を決定することができる。
【0059】
いくつかの実施では、参照インジケータ１０５は、既知のプロトコルに対応するシーケンス番号を含む。プロトコルは、異なるシーケンス番号を、送信メッセージに含めることができるデータまたは他の番号の異なるストリングと関連付ける。このプロトコルは、デバイス１０１とデバイス１１５の両方に知らせることができ、信号１０８に対する参照インジケータ１０５に関連するシーケンス番号は、信号１０８に含めることができ、または、信号１０８の送信前にデバイス１０１とデバイス１１５の両方に知らせることができる。デバイス１０１およびデバイス１１５は、プロトコルの詳細（例えば、各デバイスのメモリ内または各デバイスに通信可能に接続された１つ以上のリモートサーバ内に格納されている）にアクセスして、制御およびデータ部分などの信号１０８の部分を決定することができる。デバイス１１５は、信号１０８からのデータおよび既知のプロトコルに関連するシーケンス番号に関する事前知識を使用して、被送信情報１０７に一致する被送信情報１２１を生成することができる。
【0060】
ある実施形態では、デバイス１１５によって受信信号１１７に加えて、被送信信号１０７は、帯域外通信によってデバイス１１５によって取得される。例えば、デバイス１１５は、デバイス１０１との有線接続を介して、またはデバイス１０１とデバイス１１５との間で事前較正された別のモードの無線通信を介して、被送信信号１０７を得ることができる。
【0061】
ステージＢにおいて、信号エンコーダネットワーク１２３は、被送信情報１２１をエンコードして、信号エンコーダネットワーク１２３の構成に応じて、アナログまたはデジタル形式とすることができるエンコードされた情報１２９を生成する。デジタルからアナログへの変換は、信号エンコーダネットワーク１２３又はチャネル近似モジュール１３３のいずれかに含めることができる。いくつかの実施では、信号エンコーダネットワーク１２３は、従来の変調器、または、変調器及びエンコーダの役割として動作するか、またはこれを追加する。信号エンコーダネットワーク１２３は、１つ以上のニューラルネットワーク、またはニューラルネットワークの１つ以上のレイヤを含み、実際のまたはシミュレートされたチャネルを介して送信するために、情報をＲＦ信号形式に変換することができる。いくつかの実施では、エンコードされた情報１２９は、ＲＦ信号波形表現を含む。例えば、エンコーダネットワーク１２３は、エンコードされた情報１２９として、被送信情報１２１の波形表現を生成することができる。波形表現は、時間にわたる信号の振幅を含むことができる。
【0062】
図１の例では、エンコーダネットワーク１２３によってエンコードされたエンコードされた情報１２９の信号は、実際の送信ではなく、チャネル近似モジュール１３３を介して送信される。チャネル近似モジュール１３３は、無線伝送チャネルなどの環境を介して伝搬する信号の影響をシミュレートする。例えば、チャネル近似モジュール１３３は、デバイス１０１とデバイス１１５との間の通信チャネルに対する他の信号効果のうち、木１１１および車両１０９の効果をシミュレーションすることができる。チャネル近似モジュール１３３はまた、無線信号を送信または受信するために使用される１つ以上のアナログ電子無線構成要素の伝達関数をエミュレートすることができる。
【0063】
ステージＣにおいて、チャネル近似モジュール１３３はエンコードされた情報１２９とチャネル応答を用いて受信信号近似１３５を生成する。チャネル近似モジュール１３３におけるチャネル応答の生成は、図２から図５Ｂを含む後の図に関して論じられる。受信信号近似値１３５を生成するために使用されるチャネル応答は、後の図で論じるように、格納されているチャネル応答１３１を使用して決定される。チャネル応答は、通信チャネルに対する周波数応答を表し、１つ以上のアンテナから異なる遅延で受信された電力の複素数または実数の値を含むことができる。
【0064】
いくつかの実施では、チャネル近似モジュール１３３は、１つ以上のアナログ電子無線コンポーネントまたは無線伝送チャネルの転送機能をエミュレートするように構成される。いくつかの実施形態では、チャネル近似モジュール１３３は一連の前処理または正規化ステップを含む。例えば、前処理は、とりわけ、検知、同期、正規化、フィルタリング、またはチューニングを含むことができる。場合によっては、前処理は、デジタル信号処理（ＤＳＰ）ルーチン（例えば、ソフトウェア、ファームウェア、ゲートウエア、デジタルロジックなど）を含む。場合によっては、前処理は、１つ以上の追加のニューラルネットワークベースの前処理タスクを含むことができる。
【0065】
いくつかの実施では、チャネル近似モジュール１３３は、シミュレートされた送信の前に信号で動作する畳み込みを含む１つ以上の演算を実行する。例えば、チャネル近似モジュール１３３は、記憶されたチャネル応答１３１からのチャネル応答や、記憶されたチャネル応答１３１を使用して生成されたシミュレートされたチャネル応答などのチャネル応答を、エンコードされた情報１２９と共に畳み込むことができる。チャネル応答とエンコードされた情報１２９との合成積の出力は、受信信号近似値１３５を表すことができる。
【0066】
ステージＤにおいて、信号デコーダネットワーク１３９はチャネル近似モジュール１３３から受信信号近似１３５を得る。デコーダネットワーク１３９は、受信信号近似１３５を使用して、被送信情報１２１を再生しようとする。受信信号近似１３５は、チャネル近似モジュール１３３の構成に応じてアナログまたはデジタル形式とすることができる。アナログからデジタルへの変換は、チャネル近似モジュール１３３またはデコーダネットワーク１３９のいずれかに含むことができる。信号エンコーダネットワーク１２３と同様に、信号デコーダネットワーク１３９は、データをある形態から別の形態に変換する。信号エンコーダネットワーク１２３が被送信情報を、送信されるエンコードされた情報の信号に変換するのに対し、信号デコーダネットワーク１３９は、受信信号を、ここでは被送信情報の近似１４１と呼ばれる、エンコードされた情報１２９で被送信情報の近似値に変換する。
【0067】
いくつかの実施では、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９は、デバイス１０１からデバイス１１５に送られる信号１０８などの実無線送信データを使用して物理層変調方式を学習するように訓練される。訓練された信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９を使用して、デバイス１１５は、無線通信システムのためのエンコードおよびチャネル近似を最適化することができる。
【0068】
いくつかの実施では、デバイス１１５またはデバイス１１５に通信可能に接続されたデバイスは、信号エンコーダネットワーク１２３、信号デコーダネットワーク１３９、およびチャネル近似モジュール１３３に含まれる１つ以上のニューラルネットワークを最適化する。最適化は、１つ以上の敵対的技術を用いることを含むことができる。ネットワークは、例えば非線形ワイヤレスチャネル及び電子デバイス応答のために、無線情報エンコーディングの近最適表現を学習するために、反復して又は共に訓練することができる。場合によっては、システム１００は、困難であると考えられる場合（例えば、構成要素または無線効果の伝達関数をモデル化することが困難であるか、または従来のシステムにおける低計算量で正確にまたは低計算量で補償することが困難であり、性能劣化をもたらす）のために、有効な情報エンコーディングおよびチャネル近似関数（例えば、スループット、ビット誤り率、またはフレーム誤り率などのいくつかの目的を最大化または最小化するエンコード）を提供することができる。最適化は、確率的勾配下降などの反復処理において、各ネットワーク内の重みを更新する処理を参照することができる。２つ以上のプロセスは、信号エンコーダネットワーク１２３、信号デコーダネットワーク１３９、およびチャネル近似モジュール１３３を最適化するために、共にまたは反復して動作することができる。
【0069】
ある実施形態では、信号デコーダネットワーク１３９は、１つ以上の前処理または正規化動作を含む。例えば、前処理は、とりわけ、検知、同期、正規化、フィルタリング、またはチューニングを含むことができる。場合によっては、前処理は、ＤＳＰルーチン（例えば、ソフトウエア、ファームウェア、ゲートウエア、デジタルロジックなど）を含む。場合によっては、前処理は、１つ以上の追加のニューラルネットワークベースの前処理タスクを含むことができる。
【0070】
エンコーダネットワーク１２３またはデコーダネットワーク１３９、あるいはその両方に対する更新は、デコーダおよびエンコーダ更新エンジン１４３によって実行され、一方、チャネル近似モジュール１３３に対する更新は、チャネル更新エンジン１３７によって実行される。デコーダおよびエンコーダ更新エンジン１４３およびチャネル更新エンジン１３７は、受信信号１１７または信号１０８、あるいはその両方に基づいて、１つ以上の更新を反復的にまたは共に実行する。いくつかの実施では、更新エンジンは、チャネル近似モジュール１３３、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９の損失関数を使用して、通信チャネルモデリングまたは近似を最適化し、エンコーダネットワーク１２３および信号デコーダネットワーク１３９によって行われるオートエンコーディングを最適化する。例えば、デコーダ及びエンコーダ更新エンジン１４３は、被送信情報の近似１４１と被送信情報１２１との差を示す損失関数を生成することができる。訓練の複数回の反復にわたって、損失関数の出力に対応する損失値を減少させることができ、それにより被送信情報の近似１４１は、時間の経過とともに被送信情報１２１とより密接に一致する。
【0071】
同様に、チャネル更新エンジン１３７は、受信信号近似値１３５と受信信号１１７との間の差を示す損失関数を生成することができる。訓練の複数回の反復にわたって、受信信号近似値１３５が、時間より密接に受信信号１１７に一致するように、この損失関数の出力に対応する損失値を低減することができる。チャネル近似モジュール１３３および／またはオートエンコーダ（例えば、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９）のための損失関数は、確率的勾配降下、遺伝的アルゴリズム、または他の関連アルゴリズムを使用して改善され得る。
【0072】
先に述べたように、いくつかの実施では、損失計算と更新プロセスが共に実行される。例えば、結合更新エンジン１４７は、チャネル更新エンジン１３７およびデコーダおよびエンコーダ更新エンジン１４３からデータを得ることができる。データは、上述のように、それぞれのための損失関数を含むことができる。結合更新エンジン１４７は、チャネル更新エンジン１３７およびデコーダおよびエンコーダ更新エンジン１４３のそれぞれに更新を送ることによって、結合された損失関数を最小化することができる。更新は、チャネル近似モジュール１３３、信号エンコーダネットワーク１２３、および信号デコーダネットワーク１３９内のニューラルネットワークの重みまたは他のパラメータを調整するように構成することができる。調整された重みは、システム１００によって処理される被送信情報１２１の１つ以上の繰り返しに対して、被送信情報の近似１４１および受信信号近似１３５を変更することができる。確率的勾配降下、遺伝的アルゴリズム、または他の関連アルゴリズムを使用して、結合更新エンジン１４７は、チャネル近似モジュール１３３、信号エンコーダネットワーク１２３、および信号デコーダネットワーク１３９内のニューラルネットワークを最適化し、本明細書に記載されるように、対応する損失関数を低減することができる。信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９などの１つ以上のネットワークを調整することは、特に、１つ以上の層、重み、パラメータ、または、１つ以上の構成ニューラルネットワークのノードの接続を調整することを含むことができる。
【0073】
いくつかの実施では、損失計算および更新プロセスが繰り返し実行される。これは、たとえば、訓練中に互いに影響を与える競合する敵対的目標として、更新操作と損失計算の間で反復することによって達成される。繰り返し更新する場合、各損失（例えば、チャネル近似モジュール１３３からの損失と、エンコーダおよびデコーダネットワーク１２３および１３９からの損失）は、独立して使用することができる。このような場合、チャネル近似モジュール１３３の１つ以上のネットワークなどの重みは所定の位置に固定され、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９の更新プロセス中に更新されない。同様に、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９の１つ以上のネットワーク内などの重みは所定の位置に固定され、チャネル近似モジュール１３３の更新プロセス中に更新されない。
【0074】
図１に示すように、信号デコーダネットワーク１３９は被送信情報の近似１４１をデコーダ更新エンジン１４３に提供する。デコーダ更新エンジン１４３はさらに、送信された信号抽出モジュール１１９から被送信情報１２１を取得する。デコーダ更新エンジン１４３は、デコーダネットワーク１３９によって生成された被送信情報の近似１４１を被送信情報１２１と比較する。被送信情報の近似１４１と被送信情報１２１との間のＬ２損失と呼ばれる差異に基づいて、デコーダ更新エンジン１４３は、デコーダ更新１４５を生成する。デコーダ更新部１４５は、デコーダネットワーク１３９の１つ以上のパラメータまたは重みを調整するように構成される。デコーダ更新エンジン１４３は、特に、確率的勾配下降を含む１つ以上のアルゴリズムを含むことができる。一般に、デコーダ更新部１４５は、被送信情報の後続の近似が既知の送信情報とより密接に一致するように、デコーダネットワーク１３９を調整するように構成される。
【0075】
いくつかの実施では、１ つ以上のネットワークを更新するための差分生成に、カルバックライブラー・ダイバージェンス （ＫＬ－ｄｉｖｅｒｇｅｎｃｅ）が含まれる。例えば、更新エンジンの１つ以上、例えば、デコーダおよびエンコーダ更新エンジン１４３、チャネル更新エンジン１３７、および／または結合更新エンジン１４７は、ＫＬダイバージェンスを使用して、２つ以上の値の差異を決定することができる。デコーダおよびエンコーダ更新エンジン１４３は、ＫＬダイバージェンスを使用して、被送信情報の近似１４１と被送信情報１２１との間の差異を決定することができる。ＫＬダイバージェンスは、デコーダ更新１４５またはエンコーダ更新１２７を決定するために使用することができる（例えば、より大きいＫＬダイバージェンスは、デコーダ更新１４５またはエンコーダ更新１２７によって実行されるより大きい調整に対応する）。同様に、ＫＬダイバージェンスを使用して、チャネル更新エンジン１３７および結合更新エンジン１４７の差分および対応する更新を計算することができる。
【0076】
デコーダ更新１４５の生成に加えて、またはその代わりに、デコーダおよびエンコーダ更新エンジン１４３は、信号エンコーダネットワーク１２３のためのエンコーダ更新１２７を生成することができる。このような場合、デコーダおよびエンコーダ更新エンジン１４３は、信号エンコーダおよび信号デコーダネットワーク１２３および１３９を、共にまたは反復して更新することができる。例えば、上述したように、信号エンコーダネットワーク１２３のパラメータは、信号デコーダネットワーク１３９のパラメータが安定であり、かつその逆である間に調整することができる。また、信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９のそれぞれのためのパラメータを同時に調整することもできる。確率的勾配降下、バックプロパゲーション法などの様々な技術を使用して、信号エンコーダネットワーク１２３、信号デコーダネットワーク１３９、または信号エンコーダネットワーク１２３および信号デコーダネットワーク１３９の両方内の重みまたはパラメータに対する変更を決定することができる。一般に、エンコーダ更新１２７は、被送信情報の後続の近似が既知の被送信情報とより密接に一致するように、エンコーダネットワーク１２３を調整するように構成することができる。
【0077】
同様に、チャネル近似モジュール１３３は、チャネル更新エンジン１３７によって更新可能である。チャネル近似モジュール１３３の訓練については、後の図を参照して詳細に議論される。図１は、チャネル近似モジュール１３３の訓練が結合更新エンジン１４７と共同または反復的にどのように実行され得るかを示す。前述したように、チャネル更新エンジン１３７とデコーダおよびエンコーダ更新エンジン１４３の両方は、シミュレートされた値または近似値と既知値との差異を示す損失値を生成することができる。例えば、チャネル更新エンジン１３７は、受信信号１１７および受信信号近似１３５を取得し、これらの間の差または損失（Ｌ１損失と呼ばれる）を計算する。Ｌ１損失に基づいて、チャネル更新エンジン１３７は、１つ以上の訓練反復にわたってチャネル更新１３８を生成する。チャネル更新１３８は、チャネル近似モジュール１３３に含まれる１つ以上のネットワークのパラメータを含むチャネル近似モジュール１３３の１つ以上のパラメータを調整するように構成される。そうすることによって、チャネル更新は、受信信号１１７と受信信号近似１３５との間の差を減少させることによって、チャネル近似の精度を向上させる。
【0078】
説明したように、デコーダおよびエンコーダ更新エンジン１４３は、被送信情報の近似１４１と実際に被送信情報１２１との差を生成する。場合によっては、チャネル更新エンジン１３７によって計算された差と一緒に、この差または損失を、結合更新エンジン１４７に提供することができる。結合更新エンジン１４７は、エンコードおよびデコードに対応するＬ２損失と、チャネル近似に対応するＬ１損失とを組み合わせて、ＬＣと呼ばれる複合損失を生成することができる。チャネル更新エンジン１３７およびデコーダおよびエンコーダ更新エンジン１４３と同様に、結合更新エンジン１４７は、ネットワーク（例えば、信号エンコーダネットワーク１２３、チャネル近似モジュール１３３の１つ以上のネットワーク、および信号デコーダネットワーク１３９）に対するパラメータ変更を決定するために、確率的勾配下アルゴリズム、汎用アルゴリズム、逆伝搬アルゴリズムなど、１つ以上のアルゴリズムを含むことができる。一般に、パラメータ変更は、Ｌ１、Ｌ２、およびＬＣを含む結合更新エンジン１４７によって得られる差異を低減し、ネットワーク１２３および１３９におけるエンコードおよびデコードの効率も改善しつつ、チャネル近似の精度を改善するように構成することができる。
【0079】
前述したように、いくつかの実施では、信号エンコーダネットワーク１２３およびチャネル近似モジュール１３３のそれぞれは、１つ以上のニューラルネットワークを含む。いくつかの実施では、信号デコーダネットワーク１３９は、１つ以上のニューラルネットワークを含む。先に述べたように、いくつかの実施では、デバイス１１５によって実施されるように記述される１つ以上の動作は、デバイス１１５、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのサーバまたは専用ハードウェアプロセッサに通信可能に接続された装置によって実装される。
【0080】
いくつかの実施では、エンコーダネットワーク１２３、デコーダネットワーク１３９、またはチャネル近似モジュール１３３の１つ以上は、重み付きの一連の密な（または場合によってはストライドまたはスパースである）行列乗算、バイアスの追加、これらのプロダクトの組み合わせの合計、および、修正線形ユニット（ＲｅＬＵ）またはシグモイド関数などの出力上の非線形関数のアプリケーションの形成をとる。いくつかの実施では、システム１００は、エンコーダ、例えば、エンコーダネットワーク１２３またはデバイス１０１によって使用される対応するエンコーダを含む。エンコーダは、１つまたは多くのアンテナ、多入力多出力（ＭＩＭＯ）を有する無線（または有線）チャネルまたはアナログコンポーネントのセット、または複数の受信アンテナを有するデコーダネットワーク１３９などのデコーダネットワーク、またはこれらの任意の好適な組合せのためのエンコーダを生成する。このようにして、訓練プロセスとともに本明細書に記載されるシステム１００を含むシステムは、候補セルラー第５世代（５Ｇ）、５Ｇ＋、第６世代（６Ｇ）、または６Ｇ＋、波形設計、最適化およびデプロイなどのＭＩＭＯおよび大規模ＭＩＭＯシステムに直接適用可能である。
【0081】
いくつかの実施では、エンコーダネットワーク１２３およびデコーダネットワーク１３９は、効率的なネットワーク構造（活性化、層または重み付けの接続性など）、同期化、推定、または注意（ａｔｔｅｎｔｉｏｎ）の方法に関する従来の知識を活用して、これらのネットワークを効率的で高性能な動作にスケーリングするタスクを支援する。この文脈において、注意（ａｔｔｅｎｔｉｏｎ）は、しばしば学習方法で、特定のデータのサブセットにリソースを集中させたり、元の受信情報からの情報のサブセットを同期化または正規化したりする能力を指す。
【0082】
図２は、シミュレートされたチャネル応答を生成するためのチャネルデコーダネットワーク２０３を含むチャネル近似システム１３３の一例を示す図である。デコーダネットワーク２０３は、チャネル応答ネットワーク２０７を含む。いくつかの実施では、チャネル応答ネットワーク２０７は、１つ以上のニューラルネットワークを含む。デコーダネットワーク２０３は、チャネル応答ネットワーク２０７を使用して、入力の学習された潜在空間変数２０５に基づいて出力チャンネル応答２０９を生成する。出力チャンネル応答２０９は、環境（例えば、図１に関して説明したように）が、その環境内に伝搬する所与の信号に与える影響を決定するために使用される。例えば、ある場合には、出力チャンネル応答２０９は、送信機（例えばデバイス１０１）から受信機（例えばデバイス１１５）までシステム内を伝搬する周波数の周波数応答を表す。学習された潜在空間変数２０５は、環境において得られた多数のチャネル応答に基づいた低次元データ変数を表す。潜在空間は、特徴空間（例えば、チャネルの変換された符号をエンコードする３２次元数値のような学習されたベクトル空間－例えば、チャネルから構築することができ、またはチャネルを再構築するために使用することができる）であり、そこから変数２０５の値が抽出される。チャネル応答データから変数２０５を生成するプロセスは、次元削減問題として表すことができる。例えば、チャネル応答は、広範囲の周波数における各周波数に対する広範囲の電力レベルを表す多くの次元を含むことができる。低次元潜在空間変数２０５は、より少ない変数（例えば、ベクトル内の３２整数）を有する高次元チャネル応答データの特性を表す。ある実施形態では、デバイス１１５などのデバイスは、チャネル近似モジュール１３３を訓練し、学習された潜在空間変数２０５を決定することができる。
【0083】
デコーダネットワーク２０３は、受信した信号モジュール２１３に出力チャンネル応答２０９を提供する。受信信号モジュール２１３は、被送信信号モジュール２１１から、これから送信される信号、またはすでに送信済みの信号のコピーを得る。例えば、図１の文脈では、送信された信号モジュール２１１は、エンコードされた情報１２９を得ることができる。受信信号モジュール２１３は、出力チャンネル応答２０９およびエンコードされた情報１２９を使用して、被送信情報の近似１４１を生成することができる。場合によっては、チャネルデコーダネットワーク２０３、被送信信号モジュール２１１、および受信信号モジュール２１３の動作は、図１のチャネル近似モジュール１３３の動作を実行する命令を実行する１つ以上のコンピュータによって実行することができる。
【0084】
受信信号モジュール２１３は、出力チャンネル応答２０９と、被送信信号モジュール２１１から送信されるべき信号、例えばエンコードされた情報１２９とを使用して、図１の受信信号近似１３５のような受信信号近似を決定する１つ以上の動作を行うことができる。いくつかの実施において、受信信号モジュール２１３は、送信されるべき信号と出力チャンネル応答２０９との畳み込みを行い、受信信号近似、例えば、図１の受信信号近似１３５を生成する。受信信号近似は、送信機によって送信され、１つ以上の環境効果の影響を受けた後に受信機によって受信されるであろう信号を近似する。
【0085】
図３は、チャネルエンコーダネットワーク３０１と、出力チャンネル応答２０９のようなシミュレートされたチャネル応答を生成するために用いられる学習された潜在空間変数２０５を生成するためのチャネルデコーダネットワーク２０３とを含むシステム３００の例を示す図である。チャネルエンコーダネットワーク３０１は、潜在空間から潜在空間変数２０５を決定するために、１つ以上のニューラルネットワークである潜在空間ネットワーク３０５を含む。いくつかの実施では、チャネルエンコーダネットワーク３０１は、例えば、潜在空間ネットワーク３０５の動作を含むチャネルエンコーダネットワーク３０１の動作に対応するソフトウェア命令を実行することによって、チャネル近似モジュール１３３の動作を行うように構成された１つ以上のコンピュータによって実現される。
【0086】
チャネルエンコーダネットワーク３０１は、図４に示すように、チャネルデコーダネットワーク２０３で訓練され、学習された潜在空間変数２０５を生成することができる。学習された潜在空間変数２０５は、１つ以上のベクトルを含むことができる。いくつかの実施では、学習された潜在空間変数２０５は、時間の経過に伴う伝搬効果の進化をミラーリングするために、時間の経過とともに調整される。例えば、学習された潜在空間変数２０５は、値の集合に対応することができる。値のセットは、１つ以上のベクトルに含めることができる。チャネルデコーダネットワーク２０３の各動作について、値のセット内の変数、または１つ以上のベクトルのセット内のベクトルを、チャネル応答ネットワーク２０７の入力として学習された潜在空間変数２０５として使用することができる。このようにして、環境の変動性は、チャネル近似を改善するために、シミュレートされたチャネル応答内で正確に捕捉することができる。
【0087】
入力チャネル応答３０３は、画像３０７ａと共に図示されており、これは、「ｈ」と呼ばれ、以下により詳細に説明されるサンプル入力チャネルインパルス応答を示しており、ここで、周波数の範囲にわたる電力レベルは、折れ線グラフとして示されている。潜在空間ネットワーク３０５は、結合層に複数のノードを有するニューラルネットワーク構造を示す画像３０９で図示される。同様に、チャネルデコーダネットワーク２０３のチャネル応答ネットワーク２０７は、接続された層に複数のノードを有するニューラルネットワーク構造を示す画像３１１によって図示される。画像３１３ａは、入力チャネルインパルス応答３０３の近似値であり、
として参照される後述の、出力チャンネルインパルス応答２０９のグラフ表現を示す。
【数1】
【0088】
図３の例示的システム３００は、チャネル近似モジュール１３３をモデリングして訓練するための変分オートエンコーダ（ＶＡＥ）ベースの訓練アプローチに使用することができる。システム３００は、シミュレートされたチャネル応答を生成するために、敵対的生成ネットワーク（ＧＡＮ）アプローチに加えて、またはそれに代わる変分オートエンコーダを利用するチャネルエミュレーションのための代替方法を提供する。この場合、１つ又は複数のアンテナに関して異なる遅延で受信された電力の複素数又は実数の値を表すチャネルインパルス応答「ｈ」は、潜在空間ネットワーク３０５として図３に示されているエンコーダネットワーク又は変分エンコーダネットワークを通じて、「ｚ」（通常はより低次元の）と称することができる潜在変数２０５にエンコードされる。この文脈では、変分とは、ニューラルネットワーク内の「再パラメータ化トリック」またはサンプリング層を指し、ランダム値を描画する。ここで、ランダム分布またはランダム分布の特性を定義する特定の特性、例えば、平均と分散は、ニューラルネットワーク内の活性化または中間値によって定義される。
【0089】
図３では、チャネルインパルス応答「ｈ」が示され、例えば画像３０７ａは、単一の電力遅延プロファイルであるが、多くの場合、ＮｘＭ ＭＩＭＯチャネル遅延応答が表され得（ここで、ＮおよびＭは正の整数である）、または複素数値（例えば、直交ベースバンドサンプリングされた）遅延応答も同様に表され得る。図３のチャネル応答ネットワーク２０７として示されるデコーダネットワークまたは変分デコーダネットワークは、入力チャネルインパルス応答３０３（ｈ）の推定値として、潜在変数２０５または「ｚ」から出力チャンネルインパルス応答「
」を再構成するために使用される。「ｚ」は、潜在空間ネットワーク３０５の変分エンコーダから形成されるランダム分布であり得るので（場合によっては、
は、チャネル応答ネットワーク２０７などの変分デコーダから形成される）、
は「ｚ」のこの分布の確率的ランダム関数とみなすことができる。
【数2】
【数3】
【数4】
【0090】
チャネル応答ネットワーク２０７を訓練するために、ｈと
（または、入力応答と出力応答との差異を示す値のようである他の類似の中間値）との間の平均二乗誤差のような再構成損失が使用され得、場合によっては、追加の損失項（例えば、ｆ－ダイバージェンスベースの損失）が使用され得、例えば、変数２０５が生成される潜在的空間「ｚ」にわたって分布特性を強制する。強制分布特性は、分布が固定の分布ではなく、望ましい特性を持つようにするのに役立つ。
【数5】
【0091】
入力チャネル応答３０３のような測定またはシミュレートされたチャネル応答「ｈ」のセットを有するこのようなシステムを訓練することによって、生成器を、デコーダネットワーク、例えば、チャネル応答ネットワーク２０７の形成で生成することができ、これは、変数「ｚ」で表されるランダム潜在分布を、推定されたチャネル応答「
」に変換する。変分ネットワークがエンコーダの形態、例えば、潜在空間ネットワーク３０５をとるとき、エンコーダネットワークは、中間値を生成し、これは、平均値、分散、対数分散など、正規分布のような一組の分布を含むことができ、次いで、各転送する推論パスの間にサンプリングされ、潜在空間ネットワーク３０５内の活性化の別の組を形成する。これらは、潜在変数「ｚ」を直接形成し、場合によっては、あるいは、１つ以上の入力「ｈ」に対して「ｚ」に対する値または「ｚ」に対するランダム分布を形成するために、直線化線形ユニット（ＲｅＬＵ）またはパラメトリックＲｅＬＵ （ＰＲｅＬＵ）の活性化のような、線形または非線形活性化を含む１つ以上の追加のニューラルネットワーク層を通過し得る。
【数6】
【0092】
いくつかの実施では、変分オートエンコーダ（ＶＡＥ）は、送信（Ｔｘ）／受信（Ｒｘ）データペアを使用して、またはチャネル音響デバイスから得られたチャネル応答の推定から訓練することができる。この場合、入力チャネル応答３０３は、画像３０７ｂに図示的に示される送信値に置き換えられ、出力チャンネル応答２０９は、画像３１３ｂにグラフィカルに示される受信値に置き換えられる。例えば、画像３０７ｂ、「ｘ」、および画像３１３ｂ、「ｙ」としてそれぞれ図示されるチャネルの生の入力および出力データは、チャネルインパルス（または遅延）応答値「ｈ」ではなく、直接的に考慮される。場合によっては、チャネル応答データの代わりに送信値で訓練すると、送信値と受信値との間の非線形関係を有する通信チャネルのより正確な近似をもたらすことができる。
【0093】
これらの場合のいくつかは、送信された値「ｘ」、および、１つ以上の通信チャネルを通過した後に受信された値「ｙ」をもつ音響データが、ｘとｙの間の完全な確率的関係関数をモデル化するために使用される。チャネルインパルス応答「ｈ」は、ｘとｙとの間の線形関係を反映するために多くのシステムで使用されるが、チャネルの入力と出力との間には非線形関係が存在する。チャネル入力と出力間のＶＡＥを直接訓練することにより、２つの間の非線形関係を学習することができる。ＶＡＥは入力と出力を同じ値と見なすことができるが、場合によっては、チャネル入力からのチャネル出力を回帰する回帰タスクが含まれることもある。
【0094】
場合によっては、ＶＡＥの「オート（ａｕｔｏ）」という用語は、一般に、チャネル機能を通じて同じ「変換された」値の自動回帰を意味することがある。チャネルシミュレーションのためのこの別の方法は、チャネル入力ｘとチャネル出力ｙとの間の関係を学習することができ、これらの関係は、通常、応答値「ｈ」において捕捉されないが、ＶＡＥアプローチを使用して、同様に訓練することができる。場合によっては、このＶＡＥ訓練プロセスと共に識別ネットワークが使用され、再構成、ＶＡＥ損失、および生成器／識別器損失のような複数の損失が、異なる大きさで互いにトレードオフされ、チャネルエミュレーション近似関数を最良に生成することができる。
【0095】
図示のように、チャネルエンコーダネットワーク３０１は、画像３０７ａに図示的に示される入力チャネル応答３０３を、潜在空間ネットワーク３０５を使用して変数２０５にエンコードする。例えば、いくつかの実施では、潜在空間ネットワーク３０５は、変分オートエンコーダ（ＶＡＥ）を含むことができる。この文脈では、変分とは、ニューラルネットワーク内の再パラメータ化操作またはサンプリング層を指し、ランダム値を描画する。ランダム値は、ランダム分布またはランダム分布の特性、例えば平均と分散を定義する特定の特性が、ニューラルネットワーク内の活性化または中間値によって決定される。潜在空間ネットワーク３０５は、取得されたチャネル応答の特性に基づいて、入力チャネル応答３０３を含む１つ以上の取得されたチャネル応答に基づいて、潜在的な空間分布を学習することができる。いくつかの実施では、潜在空間はランダムである。いくつかの実施では、潜在空間は、潜在空間ネットワークおよび入力チャネル応答３０３の特性に基づいて決定される。潜在空間ネットワーク３０５内の活性化は、数値分布、例えば、平均および分散のパラメータを表すことができ、そこから値がサンプリングされて、学習された潜在空間変数２０５を生成する。
【0096】
いくつかの実施では、チャネルデコーダネットワーク２０３は、学習された潜在空間変数２０５を使用して入力チャネル応答３０３を再構築するように訓練される。例えば、チャネルデコーダネットワーク２０３は、入力チャネル応答３０３と類似しているが同一ではない１つ以上のアンテナについて、異なる遅延で受信された電力の複素数または実数の値を示す出力チャンネル応答２０９を生成する。出力チャンネル応答２０９は、入力チャネル応答３０３が得られた環境で得られた別の可能なチャネル応答を示すことができる。このようにして、チャネルデコーダネットワーク２０３は、特定の環境に対するチャネル応答をシミュレートすることができ、またはテストまたは解析を行うためのモデルとして機能することができる。チャネルデコーダネットワーク２０３によって生成された出力チャンネル応答は、一般に通信チャネル内で線形障害効果を想定する静的モデルよりも正確である。
【0097】
いくつかの実施形態では、チャネルエンコーダネットワーク３０１で使用される入力チャネル応答３０３は、実世界の送信機からの送信を受信する実世界の受信機から得られる。場合によっては、実世界のチャネル応答の代わりに、チャネルエンコーダネットワーク３０１は、シミュレートされた応答を使用することができる。入力チャネル応答３０３が実世界通信チャネルの周波数応答を表す場合、入力チャネル応答３０３は、送信信号と受信信号を使用して生成することができる。応答３０３は、送信信号と受信信号、例えば信号１０８と受信信号１１７との間の変更を説明するチャネル効果を示すことができる。図４は、得られた実世界のチャネル応答を用いて受信信号及び送信信号並びにチャネル符号器及び復号器ネットワーク３０１及び２０３の訓練を得ることにより実世界のチャネル効果を収集する例を示す。
【0098】
図４は、チャネル応答を取得し、チャネルエンコーダネットワークおよびチャネル近似システムのチャネルデコーダネットワークを訓練するためのシステム４００の一例を示す図であり、例えば、チャネルエンコーダネットワーク３０１およびチャネル近似モジュール１３３のチャネルデコーダネットワーク２０３を訓練する。図１に関して説明したシステム１００と同様に、システム４００では、信号１０８がデバイス１０１からデバイス１１５に送られる。図示するように、ある場合には、デバイス１１５は、移動中の車両１０９に搭載されている。デバイス１１５は、送信された信号を捕捉する環境内を移動して、チャネル応答を生成することができ、チャネル応答は、デバイス１１５およびデバイス１０１の相対位置に応じて変化し得る。受信信号１１７は、環境内の他の送信機からの他の信号と同様に信号１０８を含むことができる。
【0099】
図１で説明したように、デバイス１１５の送信された信号抽出モジュール１１９は、受信した信号１１７から、被送信信号１０７と一致する被送信情報１２１を抽出する。チャネル応答エンジン４０３は、例えば、１つ以上のコンピュータを使用して１つ以上のプログラム命令を実行することによって、デバイス１１５またはデバイス１１５に通信可能に接続されたデバイス（例えば、サーバ）によって実現されるソフトウェアルーチンとして実現可能であり、被送信情報１２１および受信信号１１７を取得して、送信機１０１から受信デバイス１１５に信号１０８が伝搬される無線通信チャネルのチャネル応答を決定または生成し、チャネル応答を格納されたチャネル応答１３１に格納する。チャネル応答エンジン４０３は、受信信号１１７に基づいて、信号１０８に対応するチャネル応答を生成することができる。例えば、チャネル応答エンジン４０３は、受信信号１１７に対応する周波数の範囲について、電力レベルおよび／またはインパルス応答または周波数領域フェージングプロファイルを決定することにより、チャネル応答を生成することができる。
【0100】
図１のシステム１００に関して説明したように、デバイス１０１は、送信された信号抽出モジュール１１９を支援して被送信情報１２１を抽出するために、信号１０８内に参照インジケータ１０５を含むことができる。いくつかの実施では、デバイス１１０はタイミング発生源４０１を使用して信号１０８を生成し、同じまたは類似のタイミング発生源４０１がデバイス１１５にアクセス可能である。ある場合には、タイミング発生源４０１は、毎秒既知のパルスを有するテスト信号発生器からの信号とすることができる。場合によっては、タイミング発生源４０１は、デバイス１０１とデバイス１１５の両方が利用可能な外部タイミング発生源であってもよい。例えば、タイミング発生源４０１は、全地球測位システム（ＧＰＳ）信号からタイミングを取ることができる。タイミング発生源４０１は、デバイス１０１とデバイス１１５の両方に共通のタイミングを提供することができる。
【0101】
共通のタイミング発生源のため、コンバータのサンプリング時間（例えば、アナログ－デジタルコンバータまたはデジタル－アナログコンバータ）は、ほぼ同じであることが知られている（例えば、コンバータのサンプリング時間は、タイミングジッタの１ナノ秒未満などのある誤差許容範囲内であってもよい）。したがって、送信信号抽出モジュール１１９は、時間および周波数の両方において、受信信号に対して調整を実行することができる。被送信信号抽出モジュール１１９は、整列信号関連付けの処理を通じてエンコードされた被送信信号を復元することができる。例えば、デバイス１０１のデジタル－アナログ変換器およびデバイス１１５のアナログ－デジタル変換器から同一であるタイミングの知識を用いて、時間調整され、場合によっては周波数調整された信号が、被送信信号１０７の表現として受信信号１１７から抽出される。抽出された信号は、例えば（ｓ、ｒ）のタプルを形成するように、被送信信号１０７および受信信号１１７に関連付けられる。ここで、ｓは被送信信号１０７であり、ｒは受信信号１１７である。
【0102】
いくつかの実施では、チャネル応答エンジン４０３は、送受信情報のアナログバージョンを使用してチャネル応答を生成する。いくつかの実施では、チャネル応答エンジン４０３は、送受信情報（例えば、受信信号１１７）のデジタルバージョンを使用してチャネル応答を生成する。いくつかの実施では、チャネル応答エンジン４０３は、被送信情報のアナログまたはデジタルのいずれかと、受信された情報のアナログまたはデジタルのいずれかとを使用してチャネル応答を生成する。
【0103】
いくつかの実施では、無線伝送に加えて、デバイス１０１は、伝送された信号１０８を別の通信の一部としてデバイス１１５に送信する。例えば、デバイス１０１は、有線通信媒体を使用して被送信信号１０８をデバイス１１５に送信することもできる。このような場合、デバイス１１５は、被送信情報１２１を決定する操作を行うことなく、被送信信号１０８のコピーを有することができ、または被送信情報１２１に基づいて被送信信号１０８を生成することができる。
【0104】
デバイス１１５は、記憶されたチャネル応答１３１を使用して、チャネルエンコーダネットワーク３０１およびチャネルデコーダネットワーク２０３を訓練する。格納されたチャネル応答１３１は、チャネル応答エンジン４０３によって生成された１つ以上のチャネル応答を含むことができる。デバイス１１５は、記憶されたチャネル応答１３１からチャネル応答を選択し、選択されたチャネル応答を入力チャネル応答３０３としてエンコーダ３０１に提供する。いくつかの実施では、保存されたすべての応答が選択され、訓練中に繰り返される。いくつかの実施では、記憶されたチャネル応答１３１内のチャネル応答はソートされ、デバイス１１５（または、エンコーダおよびデコーダネットワークを訓練するように構成された別のコンピュータ、例えば、サーバ）は、応答を選択し、順位付け順序で逐次または並列した訓練の反復を実行する。ランキングは、応答データの品質に基づいて行うことができる。たとえば、アンテナが誤動作していなかった場合や、応答がエリアの典型的な応答の範囲内であった場合などである。チャネルエンコーダネットワーク３０１は、入力チャネル応答３０３を潜在空間ネットワーク３０５に提供する。
【0105】
図４の例では、潜在空間ネットワーク３０５は、分布パラメータ４０７（例えば、平均、標準偏差、分散値など）を生成し、分布パラメータ４０７をサンプリングモジュール４０９に提供する。サンプリングモジュール４０９は、例えば、デバイス１１５によって実現されるソフトウェアルーチンとして、あるいは、１つ以上のコンピュータを使用して１つ以上のプログラム命令を実行することによって、デバイス１１５に通信可能に接続されるデバイス（例えば、サーバ）として実現することができ、分布パラメータ４０７によって特定される分布から値を選択する。例えば、分布パラメータ４０７は、正規分布を特定することができる。分布から選択される値には、整数、実数、複素数などが含まれる。次いで、サンプリングモジュール４０９は、パラメータ４０７によって示される正規分布から学習された潜在空間変数２０５を生成するために、値をサンプリングすることができる。いくつかの実施では、サンプリングモジュール４０９は、パラメータ４０７によって定義される分布から値をランダムに選択する。例えば、サンプリングモジュール４０９は、１つ以上のランダム化アルゴリズムを含む。１つ以上のランダム化アルゴリズムは、パラメータ４０７によって定義される値の分布内から１つ以上の値を選択できる。
【0106】
サンプリングモジュール４０９によって生成された、学習された潜在空間変数２０５は、チャネルデコーダネットワーク２０３に提供される。チャネル応答ネットワーク２０７は、チャネル応答ネットワーク２０７内において実施される１つ以上のニューラルネットワークに基づいて、学習された潜在空間変数２０５を使用して出力チャンネル応答２０９を生成する。
【0107】
チャネルデコーダネットワーク２０３は、学習された潜在空間変数２０５及び出力チャンネル応答２０９を、チャネルエンコーダネットワーク３０１及びチャネルデコーダネットワーク２０３を訓練する種々の更新エンジンに提供する。例えば、チャネルデコーダネットワーク２０３は、学習された潜在空間変数２０５を潜在空間更新エンジン４１３に提供する。潜在的な空間更新エンジン４１３は、訓練分布４１１にアクセスする。潜在空間更新エンジン４１３は、例えば、デバイス１１５によって実現されるソフトウェアルーチンとして、または、１つ以上のコンピュータを使用して１つ以上のプログラム命令を実行することによって、デバイス１１５に通信可能に接続されるデバイス（例えば、サーバ）として実現することができ、学習された潜在空間変数２０５を訓練分布４１１と比較する。
【0108】
いくつかの実施では、潜在的な空間更新エンジン４１３は、分布パラメータ４０７によって指定された分布を訓練分布４１１と比較する。例えば、潜在空間更新エンジン４１３は、分布パラメータ４０７によって指定された分布からランダムにサンプリングし、ランダムサンプリングを訓練分布４１１と比較することができる。潜在空間更新エンジン４１３は、ランダムサンプリングの１つ以上の値が訓練分布４１１内にあるかどうかを判定することによって、訓練分布４１１からのランダムサンプリングによって、ランダムサンプリングを訓練分布４１１と比較することができる。分布を比較するランダムサンプリングは、分布が分布の数学モデルに確認されない場合に役立つ。場合によっては、潜在的な空間更新エンジン４１３は、分布パラメータ４０７を、訓練分布４１１を定義するパラメータと比較する。訓練分布４１１に対応するデータと潜在空間変数２０５に対応するデータとの間の差に基づいて、潜在空間更新エンジン４１３は潜在空間ネットワーク３０５を更新することができる。
【0109】
いくつかの実施では、訓練分布４１１は正規分布である。潜在空間更新エンジン４１３は、学習された潜在空間変数２０５と訓練分布４１１との間の差の量を示す損失指標を生成することができる。損失指標を使用して、潜在空間更新エンジン４１３は、例えば、潜在空間ネットワーク３０５の１つ以上のニューラルネットワークの１つ以上のパラメータ、層、または重みを調整することによって、潜在空間ネットワーク３０５を更新することができる。訓練分布４１１に従って学習された潜在空間変数２０５の柔軟性を制限することにより、システム４００は、潜在空間ネットワーク３０５が、分布パラメータ４０７によって提供される潜在空間内の分布を過剰に指定することを防止し、効率的かつ正確なチャネル応答に対して十分に一般的ではない潜在空間変数に導く。一般に、潜在空間エンジン４１３は、潜在空間ネットワーク３０５を調整して、訓練分布４１１によく似た分布パラメータを生成し、従って、訓練分布４１１に含まれる可能性の高い変数、例えば変数２０５のサンプリング値を生成することができる。
【0110】
チャネルデコーダネットワーク２０３は、出力チャンネル応答２０９をチャネルネットワーク更新エンジン４１５に提供し、これはまた、エンコーダネットワーク３０１から入力チャネル応答３０３を取得する。チャネル近似モジュールを訓練するための別の制限は、シミュレートされる出力チャンネル応答２０９が、入力チャネル応答３０３からの閾値差を超えることを防止することを含むことができる。シミュレートチャネル応答は、合成チャネル応答と呼ぶことができる。閾値は、ユーザが手動で設定することも、環境内の応答の変化（例えば、可変性の高い環境では高い閾値、可変性の低い環境では低い閾値）を使用して可変的に設定することもできる。環境内で検出されたすべての応答の変動の単純なパーセンテージは、閾値を設定することができ、またはグループ化アルゴリズムは、密接に関連する応答のグループ（例えば、ｋ－平均クラスタリングなど）の存在に基づいて、動的閾値を決定することができる。このようにして、チャネルデコーダネットワーク２０３は、多数の実世界で得られたチャネル応答を必要とすることなく、一般に環境に対応する（例えば、現実の作業チャネル応答と同様の周波数に対する電力遅延値を示す）シミュレートされたチャネル応答のセットを生成することができる。
【0111】
いくつかの実施において、チャネルネットワーク更新エンジン４１５は、入力チャネル応答３０３を出力チャンネル応答２０９と比較する。比較によって決定された２つの差に基づいて、チャネルネットワーク更新エンジン４１５は、チャネル応答ネットワーク２０７を調整することができる。この文脈では、チャネル応答ネットワーク２０７などのネットワークを調整することは、１つ以上の層、重み、パラメータ、または、特に１つ以上のニューラルネットワークのノードの接続を調整することを含むことができる。一般に、チャネルネットワーク更新エンジン４１５は、チャネル応答ネットワーク２０７を調整して、入力チャネル応答３０３により類似した出力チャンネル応答を生成することができる。
【0112】
いくつかの実施では、学習された潜在空間変数２０５は、入力チャネル応答３０３または出力チャンネル応答２０９のいずれかと比較して、より少ない自由度を含む。例えば、入力チャネル応答３０３は、いくつかの異なる周波数、例えば２５０の周波数に対する電力値を含むことができる。しかし、学習された潜在空間変数２０５は、例えば２５０個の周波数を次元減少形成で表す３２個の値を含むベクトルであってもよい。潜在空間ネットワーク３０５を訓練して、より少ない自由度で入力チャネル応答３０３を特徴付けるサンプリングのための分布を生成することによって、潜在変数２０５は、捕捉された実世界チャネル応答のセットに基づいて容易には明らかでない可能性のある所与の通信チャネルの基本的特徴を示すことができる。学習された潜在空間変個数２０５の値の個数は、変動性を有するが入力チャネル応答に類似しているデコードされたチャネル応答を達成する最も低い値の個数を示すために、訓練の間に静的または可変的にセットすることができる。
【0113】
ある実施形態では、エンコーダネットワーク３０１は、通信チャネルの特定の特性を取得し、これを使用して、通信インスタンスの特定の条件のために潜在変数２０５を調整することができる。例えば、通信チャンネルが信号に及ぼす伝搬効果は、気候、時刻、天気、送信機または受信機の近傍にある物体、またはその両方にある物体、その他の信号伝送、送信機および受信機の位置などの要因に依存し得る。デバイス１１５またはデバイス１０１は、位置情報、例えば、送信機、受信機、環境目的などの位置情報、ならびにこれらの要因を決定するための環境情報を取得することができる。デバイス１０１によって取得された情報は、信号１０８または別の通信においてデバイス１１５に送ることができる。デバイス１１５によって取得された情報は、訓練で直接使用することができる。これらの要因を記録することによって、デバイス１１５は、信号が受けるフェージング特性などの通信チャネルの特性を決定し、デコーダネットワーク２０３を含むシステムを訓練して、これらの条件下で実世界のチャネル応答に類似するシミュレートされたチャネル応答を生成することができる。また、チャネル特性は、例えば、中でも、位置、標高、車両運転、部屋のサイズ、材料特性、異なる周波数帯域を含むことができる。
【0114】
例えば、所定のチャネルプロパティのセットに対して、デコーダネットワーク２０３は、対応する変数および出力チャンネル応答を生成することができる。例えば、デコーダネットワーク２０３は、すべてのチャネルプロパティについてエンコーダネットワーク３０１によって定義された分布から、または学習された潜在空間変数２０５を生成するために、その分布からの特定のチャネルプロパティおよびサンプルデータについて、エンコーダネットワーク３０１によって定義された特定の分布を取得する、特定のチャネルプロパティに従って、データをサンプリングするモジュールを含むことができる。いずれの場合も、デコーダネットワーク２０３は、特定のチャネルプロパティに一致する出力チャンネル応答を生成する学習潜在空間変数２０５を生成することができる。出力チャンネル応答は、同じチャネルプロパティのセットに対応する実世界のチャネル応答と同様になる。降水が特定の周波数伝送に影響する場合、チャネル特性のセットに記録されていれば、上述のように、これらのチャネル特性で捕捉された１つ以上の実世界チャネル応答に従って、対応する潜在変数を生成することができる。
【0115】
いくつかの実施形態では、デバイス１１５および１０１上のさらなるセンサ、例えば、とりわけ、カメラ、湿度センサは、チャネル特性を検出し、分布および分布に基づく変数２０５の生成のためにこれらの特性を提供することができる。例えば、デバイス１１５のカメラは、センサのエリア又は伝搬環境を通過する車両、チャネルのエリア内の大型又は異常な目的又はリフレクタの存在、その他の事象の存在、例えば、条件に影響を与えるかもしれないその他の事象の存在を認識することができる。場合によっては、検知装置は、通信チャンネルに何らかの方法で影響を与えたり、受信値に影響を与える可能性のある、送信機、チャンネル、または受信機の近傍にある、音響、音響、視覚、赤外線、超音波、気温、または他の無線活動データのうちの１つ以上を集めることができる。例えば、受信機は、特定のエミッタについて多数の受信チャネル推定値を測定することができるが、センサは、車両、反射体、または他の空間的異常が環境に存在する１つ以上の例を認識することができ、これは、チャネルの応答および無線システムが受ける結果としてのチャネル分布に著しく影響を与えた可能性がある。これらの現象とその結果として生じる無線システムへの影響を表すデータを共に収集することにより、このような現象をより包括的に捕捉、モデル化し、無線通信システムおよびチャネルモデル内で表現することができる。
【0116】
テストシナリオでは、デコーダネットワーク２０３を含む装置は、受信デバイス、例えば図５Ａのデバイス５０７によるテスト信号の受信をテストするために使用され得る。標準的な潜在空間を使用するか、またはチャネル特性に基づいた潜在空間を使用するかのいずれかによって、ユーザは、デコーダネットワーク２０３によって提供される信号および送信されるべき信号、および実際に受信される受信デバイスによって示されるように、デバイスがどのようなものを受信したべきかを決定することができる。比較すると、ユーザは、受信デバイスを、デコーダネットワーク２０３の処理に基づいて、受信すべき既知の信号と一致するようにチューニングすることができる。テストシナリオの例を図５Ａに示す。
【0117】
図５Ａは、訓練されたチャネルデコーダネットワーク２０３を使用して受信機デバイス５０７を更新するためのシステム５００の一例を示す図である。システム５００は、デバイス５０１およびデバイス５０７を含む。デバイス１０１と同様に、デバイス５０１は、被送信情報５０５および／または参照インジケータ５０３を含む信号５０６を送信する。デバイス１１５と同様に、デバイス５０７は信号５０６を受信する。図１において説明したように、車両１０９および障害物１１１は、デバイス１０１からデバイス５０７への信号５０６の伝搬に影響を及ぼし得る物体の例である。１つ以上の信号処理を使用して、デバイス５０７は、受信信号５０９を生成する。デバイス５０７は、テスト中であってもよく、デバイス５０７のアンテナによって受信されたアナログ信号に基づいて、正しい受信信号を生成しない場合がある。チャネルシミュレータ５１４を使用して、デバイス５０７は、チャネルシミュレータ５１４によって生成された受信信号近似５１９に基づいて、信号処理を確認し、更新するか、または誤動作している構成要素の警告を提供することができる。
【0118】
送信された信号抽出モジュール５１１は、送信された信号抽出モジュール１１９と同様に、被送信情報５０５と一致する被送信情報５１２を抽出する。図５Ａは、送信された情報５１２が正しいことを確認することができる検証エンジン５１３を示す。検証エンジン５１３は、受信信号５０９内の値または受信信号５０９の一部が合計され、別の値と比較されるチェックサム演算を含むことができる。合計が他の値と一致しない場合、検証は失敗する。一致する場合、検証は成功する。それが失敗した場合、デバイス５０７は、検証が失敗したことをユーザに通知し、信号５０９、情報５１２、使用された検証技術、などに関する情報を提供することができる。検証が成功した場合、デバイス５０７は、被送信情報５１２をチャネルシミュレータ５１４に提供することができる。
【0119】
いくつかの実施形態では、被送信信号抽出モジュール５１１、チャネルシミュレータ５１４、検証エンジン５１３、および受信デバイス更新エンジン５２１は、例えば、対応する動作が、１つ以上のコンピュータを使用して１つ以上のプログラム命令を実行することによって、デバイス１１５またはデバイス１１５に通信可能に接続されたデバイス（例えば、サーバ）によって実行される。
【0120】
チャネルシミュレータ５１４は、検証された被送信情報５１２を取得する。被送信信号モジュール５１５は、被送信情報５１２を受信信号モジュール５１７に提供する。本明細書で説明するように、デコーダネットワーク２０３は、出力チャンネル応答２０９を提供する。いくつかの実施では、チャネルシミュレータ５１４はチャネル近似モジュール１３３と類似している。チャネルシミュレータ５１４のデコーダネットワーク２０３は、チャネル近似モジュール１３３のデコーダと同じであってもよいし、または別個のインスタンス化、例えば、コピーされたコンピュータ命令を通じて実現されるチャネル近似モジュール１３３のデコーダの再現であってもよい。出力チャンネル応答２０９は、信号５０６がデバイス５０１からデバイス５０７に送信された通信チャネルのための現在の環境に特定することができる。本明細書で説明されるように、チャネル応答２０９は、それらが環境内を伝搬するときの、周波数に対する特定の電力効果を示すことができる。応答２０９は、時間の経過とともに変化する可能性がある。例えば、チャネルシミュレータ５１４は、変数２０５を時間調整することができる。情報５１２などの情報が受信されると、チャネルシミュレータ５１４は、現在の変数２０５を使用して、応答２０９などの現在の応答を生成することができる。異なる時間、例えば、後続の送信のために、チャネルシミュレータ５１４は、異なる応答２０９をもたらす変数２０５を調整することができる。
【0121】
チャネルシミュレータ５１４は、時間の経過に伴う環境内の信号の伝搬に影響を及ぼす時間、空間、環境要因、または他の入力に基づいて、チャネル変動を反映するように変数２０５を調整することができる。たとえば、日中と夜間の環境変化によって伝播が影響を受ける可能性がある。チャネルシミュレータ５１４は、変数２０５を経時的に変化させて、夜間の送信に対して生成されるシミュレートされたチャネル応答が、夜間送信によって取得された実世界のチャネル応答に類似し、午前または午後の送信に対して生成されたシミュレートされたチャネル応答が、対応する時間（例えば、午前または午後）に取得された実世界のチャネル応答に類似するようにすることができる。
【0122】
静的モデルを使用することはできるが、静的モデルでは、時間の経過に伴う環境の変動を十分に近似することはできない。伝送効果の実世界の変化に応じて出力チャンネル応答２０９を時間調整することによって、チャネルシミュレータ５１４は、静的システムと比較して、受信信号近似をより正確に生成することができる。
【0123】
チャネルシミュレータ５１４の適応性を図５Ｂに示す。チャネル近似として、チャネルシミュレータ５１４は、チャネル近似が１つ以上のニューラルネットワークの訓練、装置のテスト、または他の解析の実行において有用であり得る任意の状況において使用可能である。図５Ａに示された使用に加えて、他の使用の幾つかの例が、以下に論じられる。
【0124】
いくつかの実施では、チャネルシミュレータ５１４は、開発、ラボテスト、または他の技術的分析のために使用される。チャネルシミュレータ５１４のデコーダネットワーク２０３の推論の計算量は、伝統的なチャネルシミュレーション方法、例えば、タップ付き遅延線（ＴＤＬ）または個々のフェージング構成要素の集合体を表す他の同様のチャネルを生成する正弦波方法の合計よりも低くなり得る。チャネルシミュレータ５１４による遅延応答または出力値を表すための、より詳細に学習されたＶＡＥ方法を利用することによって、他の用途の中でもとりわけ、通信チャネルシミュレーション、エンコーダ／デコーダの設計、または検証のために、より正確で表現力のあるチャネルエミュレーションを使用することが可能である。
【0125】
いくつかの実施では、チャネルシミュレータ５１４は、図１のエンコーダ１２３およびデコーダ１３９などの、チャネルエンコーダおよびデコーダの訓練に使用される。例えば、チャネルシミュレータ５１４への入力は、エンコーダ１２３などの信号エンコーダからの出力を含むことができ、チャネルシミュレータ５１４の出力は、デコーダ１３９などのチャネルデコーダに与えることができる。チャネルシミュレータ５１４は、１つ以上の効果を導入することができる。この効果は、例えば、ガウスノイズ、サンプルまたは周波数オフセット、あるいは出力を得るための入力または変換された入力に対する追加の置換を組み合わせることを含むことができる。いくつかの実施では、チャネルシミュレータ５１４内のデコーダ２０３は、受信された値から近似送信値を生成し、既存のチャネル上の性能向上のために、情報エンコードおよび／または情報デコードネットワークを最適化するために、直接最適化することができる。性能改善は、例えば、ビット誤り率を最小化する、スループットを最大化する、回復力を最大化する、検出の確率を最小化する、他の無線現象との混乱を最小化又は最大化する、又は多数の他の目的関数であり得る。
【0126】
幾つかの実装形態では、チャネルシミュレータ５１４は、従来のエンコード方法、例えば、直交振幅変調（ＱＡＭ）とともに使用される。例えば、チャネルシミュレータ５１４は、受信機の要素または送信機の要素などの、通信システムの特定の構成要素を最適化するために使用することができる。場合によっては、固定プロトコルを送信機または受信機によって使用することができ、例えば、４Ｇ ＬＴＥまたは５Ｇ Ｎｅｗ Ｒａｄｉｏ（ＮＲ）、Ｗｉ－Ｆｉ、または別のプロトコルのような直交周波数分割多重（ＯＦＤＭ）波形を使用することができ、この場合、リンクの両側で完全な適応が行われない可能性があるが、システムは、規格の互換性または既存のエンコード方式との相互運用性を維持しながら、リンクまたは信号処理プロセスの一部または構成要素を最適化することができる。
【0127】
いくつかの実施では、チャネルシミュレータ５１４は、標準のＯＦＤＭプロトコルから入力を取得する。例えば、送信機は、標準のＯＦＤＭプロトコルを使用してチャネルシミュレータ５１４に入力するための情報をエンコードすることができ、この標準ＯＦＤＭプロトコルは、例えば、ビットを直交振幅変調（ＱＡＭ）コンステレーションポイントにマッピングし、送信のためにＯＦＤＭサブキャリアのセットにわたってそれらをエンコードする。そのような入力を使用して、チャネルシミュレータ５１４は、標準プロトコルを使用していない可能性のある非典型的なシステムのための出力を提供することができる。例えば、チャネルシミュレータ５１４は、デコーダ１３９などのニューラルネットワークに出力を提供して、チャネルシミュレータ５１４によって生成された受信近似値からの送信情報を近似することができる。このようにして、デコーダニューラルネットワークは、信号のエンコードに使用される標準プロトコルで機能することができる。
【0128】
チャネルシミュレータ５１４の出力を得るデコーダニューラルネットワークは、チャネルシミュレータ５１４によって生成された受信近似から送信信号値を回復する機能を実行することができる。デコードニューラルネットワークは、ＯＦＤＭ復調前の歪みまたは線形性、チャネル推定および等化（および／またはデコーダおよびシンボル検出／ビットデコードまたはコンテンツデコード）を実行するネットワーク、または学習プロセスとして受信信号処理チェーンの別のサブセットを補償するために、時間領域データの補償を実行することができる。
【0129】
ここでは、チャネルシミュレータ５１４を用いてネットワークを訓練することにより、広範囲のデコードまたはエンコードプロセスを学習することができ、これは、実世界の動作条件を反映する可能性があり、実世界における改善された無線性能を可能にする１つ以上の近似チャネル状態に対して最適化する。場合によっては、学習された潜在空間変数２０５を活用して、とりわけ、仰角、温度、バンド、傾斜、都市反射体密度などの、システムの特定のチャネル状態または特性に対するエンコード処理またはデコード処理を特殊化することができ、この場合、オートエンコーダは、環境内の様々な特性に対する特定の解決策またはより多くの最適な解決策を学習することができる。
【0130】
幾つかの実装形態では、チャネルシミュレータ５１４はタップ付き遅延線（ＴＤＬ）ベースのチャネルシミュレータと共に使用される。たとえば、ＴＤＬベースのチャネルシミュレータは、ＳＣＰＩ（Ｓｔａｎｄａｒｄ Ｃｏｍｍａｎｄｓ ｆｏｒ Ｐｒｏｇｒａｍｍａｂｌｅ Ｉｎｓｔｒｕｍｅｎｔｓ）インターフェイスを介して定期的に送信されるパス遅延変動を定期的に捕捉することができる。ＴＤＬチャネルシミュレータとのハイブリッド実装は、潜在チャネルのより低いレートサンプリングを可能にし、一方、例えば、高レートＴＤＬチャネルシミュレータは、短時間基底で十分に定義されたタップまたはクラスタの高レートフェージングシミュレーション（例えば、レイリーまたはリシアンタップフェージング）を行うことができ、これは、既存のチャネルシミュレーションプリミティブおよび実装を活用することを容易にし、また、純粋に固定されたＴＤＬまたはクラスタ遅延線（ＣＤＬ）チャネル定義よりも広い範囲のチャネル状態を表現することもできる。いくつかの実施では、敵対的生成ネットワーク（ＧＡＮ）またはＶＡＥに基づくことができるチャネルシミュレータ５１４は、チャネルシミュレーションを実行するために、既存のチャネルシミュレーションハードウェア、ソフトウェアまたはアルゴリズムと共に使用することができ、これは、今日では、既存の固定ＴＤＬ（時間遅延線）チャネルモデルを使用して達成困難であり得る。
【0131】
いくつかの実施では、学習された潜在空間変数２０５に対応する潜在空間が乱される。例えば、ＶＡＥまたはＧＡＮベースのチャネルエミュレーションプロセスは、チャネルシミュレータ５１４の潜在的表現への解釈可能な入力の範囲を通して、連続的に、またはある範囲を通して、信号遅延スプレッドまたはチャネル応答にわたる豊富な分布のセットを生成することができ、これは、送信機、モバイル、または周囲装置移動度などの、ある範囲の条件および移動度の考慮の下で、チャネル内に見ることができる。
【0132】
ＶＡＥは、１ｍ、５ｍｓ、１０ｍｓ、または１００ｍｓの時間枠などの期間のＴＤＬタップの実現に使用できる。より表現力豊かなＶＡＥ分布を使用して、１以上の送信信号を処理して、他の適切なスケールの中でも、例えば１ｎｓのサンプル時間のような、より細かい時間スケールで出力信号を生成するのに使用され得る、時間期間に対するＴＤＬチャネルモデル特性の現実的なセットを生成することができる。
【0133】
チャネルシミュレータ５１４は、ＦＰＧＡチャネルシミュレータなどのハードウェアが、チャネル応答をエミュレートするために既存のＴＤＬチャネルシミュレーションルーチンを使用することを可能にする中間解決策として使用することができ、一方、ＴＤＬシミュレーションを定期的に更新および駆動するために、より正確であってもよく、またはシミュレーションに関するかなり多くの情報を考慮していてもよい、チャネルの機械学習（ＭＬ）、ＧＡＮ、またはＶＡＥベースの分布を使用することができる。
【0134】
場合によっては、チャネルシミュレータ５１４は、ある数のＴＤＬタップまたは他のパラメトリックチャネル特性を、推定して、既存のテストハードウェアに対するいくつかのプロトコル（例えば、ＳＣＰＩまたはビデオ電子規格協会（ＶＥＳＡ）テスト制御インターフェース）を介して、既存のチャネル推定器に送信し、その現在の動作モードを制御および作業化することができる。これは、制御可能および／または解釈可能なＭＬまたはＶＡＥオーバレイを提供して、デバイス（例えば、デバイス１１５）上の異なるチャネル条件および現象を表すことによって、既存のチャネルシミュレーションソフトウェアまたはハードウェアに重要な追加テストおよびシミュレーション能力を提供することができる。幾つかの実装形態では、コントローラは、環境、車両のような干渉体のセット又は環境内の他の空間反射現象、又は何らかの断続時間スケールでより伝統的なチャネルシミュレータ内のパラメトリックモデル（例えば、ＴＤＬモデル）へのＶＡＥ駆動更新を駆動するのを助けることができる他の解釈可能な潜在条件の範囲を介して、空間軌道又は経路をシミュレートする。
【0135】
いくつかの実施では、学習された潜在空間変数２０５は、時間の経過とともに変化する。例えば、チャネルシミュレータ５１４を使用して、潜在空間内の値をゆっくりと変化させて、時間または他の特性にわたって相関する一連のチャネル応答またはチャネル出力実現を生成することによって、時間相関チャネル実現を生成することができる。チャネルシミュレータ５１４は、潜在的空間内の値を選択することができる。１つ以上の値を選択することにより、チャネルシミュレータ５１４は、類似のセットまたは相関するセットのチャネル応答を生成するために、ランダムウォークまたは時間の経過に伴って潜在空間内の特定の軌道に従うウォークを実行してもよい。チャネルコヒーレンス時間（またはチャネルの応答が類似している時間）は、多くの無線通信システム内で重要な特性である可能性があるので、潜在空間内のこの移動速度と、チャネル応答内の結果の変更は、時間、空間、環境要因、または時間の経過に伴いチャネル相関に影響を与える他の入力に基づいてチャネル変動を反映するように、レートの範囲で変更する可能性がある。
【0136】
受信信号モジュール５１７は、送信された情報５１２に基づいて、送信される信号を送信された信号モジュール５１５から取得する。信号はアナログまたはデジタルにすることができる。受信信号モジュール５１７は、出力チャンネル応答２０９および送信信号モジュール５１５からの信号を使用して１つ以上のプロセスを実行し、図５Ａに示す受信信号近似５１９を生成する。例えば、受信信号モジュール５１７は、被送信信号モジュール５１５および出力チャンネル応答２０９からの信号の合成積、変換、受信機アルゴリズム、または他の処理を実行することができ、合成積または他の処理ステージの結果を受信信号近似値５１９として提供することができる。
【0137】
図５Ａに戻って、受信信号近似５１９は、適切に機能している受信アンテナとデバイスによって受信されるであろう信号を生成する。受信信号近似５１９と受信信号５０９とを比較することによって、デバイス５０７は、デバイス５０７に対して行われる調整を決定することができる。受信デバイス更新エンジン５２１は、受信信号５０９と受信信号近似５１９との間のこのような比較だけを行うように構成される。比較に基づいて、受信デバイス更新エンジン５２１は、デバイス５０７を更新することができる。更新は、信号５０６を受信信号５０９に変換するために使用されるプロセスへのソフトウェア更新を含むことができる（例えば、これは、デバイス上のニューラル受信機への重み更新、デバイス上のニューラルエンコーダまたはデコーダへの重み更新、他の信号処理アルゴリズムまたはチャネル状態フィードバックアルゴリズムへのパラメータ更新、あるいは、チャネル条件下でのその性能の調整または改善を助けるためのデバイスの他の制御およびチューニングを含むことができる）。
【0138】
いくつかの実施では、チャネルシミュレータ５１４は、デバイス５０７に通信可能に接続された別個のデバイスである。例えば、チャネルシミュレータ５１４は、専用ハードウェアデバイスの１つ以上のプロセッサによって実行することができる。無線接続または有線接続のいずれかを介して、デバイス５０７は、チャネルシミュレータ５１４に情報を提供し、その代わりに情報を取得することができる。
【0139】
図６は、無線送信を送受信するために訓練された信号エンコーダネットワーク１２３及び訓練された信号デコーダネットワーク１３９を使用するためのシステム６００の一例を示す図である。図１からのデバイスは、単純化のために再び示されている。図１に訓練された信号デコーダおよびエンコーダネットワークは、信号通信のために図６で使用される。デバイス１１５および１０１は、それぞれ、それらの間の通信のために受信および送信の両方を可能にするエンコーダおよびデコーダネットワークを含むことができる。
【0140】
図６の例では、デバイス１０１は、デジタル－アナログ変換器６０１及び無線周波数（ＲＦ）モジュール６０３を含む。デジタルアナログ変換器６０１は、信号エンコーダネットワーク１２３からのエンコードされた情報を、無線送信信号１０８としてＲＦモジュール６０３が送信するためのアナログ信号に変換する。ＲＦモジュール６０３は、無線信号を送信するための、１つ以上のアンテナなどの任意ＲＦまたは中間周波数（ＩＦ）デバイスを含む。
【0141】
デバイス１１５は、ＲＦモジュール６０５と、アナログデジタル変換器６０７とを備える。ＲＦモジュール６０５は、デバイス１０１からアナログ信号、例えば無線送信信号１０８を受信するための、１つ以上のアンテナ等の１つ以上のＲＦまたはＩＦ装置を含む。アナログデジタルコンバータ６０７は、アナログ信号１０８のデジタルバージョンを生成する。信号デコーダネットワーク１３９は、図１で説明した信号１０８のデジタルバージョンを使用して、被送信情報の近似１４１を生成する。
【0142】
図７は、展開シナリオの一例における種々の物理的構成要素を示す図である。図７の展開シナリオは、仮想化無線アクセスネットワーク及び／又は無線インテリジェントコントローラ、又は他のクラウドサービスにおけるチャネルモデリング、学習、及び／又はエミュレーションを含むことができる。例示的なシナリオは、チャネルモデル７０１（例えば、チャネル近似モジュール１３３のチャネルモデルのようなＶＡＥによって生成される）または本明細書に記載するデジタルツイン構成要素が、仮想化された無線アクセスネットワーク構成要素内、場合によってはオープン無線アクセスネットワークシステム内の構成要素としてデプロイされ得ることを示す。
【0143】
図７の展開シナリオは、仮想化された要素を有するＲＡＮを示す。コンポーネントには、レガシーコンポーネント、オープンコンポーネント、仮想コンポーネント（汎用サーバ上で実行されるなど）、または物理構成要素がある。例えば、無線ユニット（ＲＵ）７０９は、仮想ＲＵ（例えば、ｖＲＵ）または物理ＲＵとすることができ、オープン無線アクセスネットワーク準拠またはレガシー無線アクセスネットワーク準拠とすることができる。これには、アナログ送受信およびデジタル変換を提供するＲＵ７０９、物理レイヤの一部の実装および追加プロトコル処理（無線リンク制御（ＲＬＣ）／媒体アクセス制御（ＭＡＣ）など）を提供する分散ユニット（ＤＵ）７１１（あるいはベースバンド処理ユニット（ＢＢＵ））、上位レイヤプロトコル処理（無線リソース制御（ＲＲＣ）、サービスデータ適応プロトコル（ＳＤＡＰ）および／またはパケットデータ収束プロトコル（ＰＤＣＰ）レイヤを提供する集中型ユニット７１３）、ネットワークサービスおよびインタフェースを提供するコアネットワーク（ＮＧ Ｃｏｒｅ）７１５、およびＲＡＮ機能を最適化、調整、制御するためにさまざまなＲＡＮ構成要素とインタフェースできるｘＡｐｐｓおよびｒＡｐｐｓをホストするニア実時間（ＲＴ） ＲＩＣ７０３および非ＲＴ ＲＩＣ７０５の両方を提供するＲＡＮインテリジェントコントローラ７０２が含まれる。
【0144】
また、図７には、ＲＡＮ、オープン無線アクセスネットワーク（Ｏ－ＲＡＮ）、および／または仮想無線アクセスネットワーク（Ｖ－ＲＡＮ）展開内のインターフェースが示されている。これは、ＲＵ７０９とＤＵ７１１との間の各種アンテナまたは空間ストリームの時間および／または周波数ドメインデータを含むデータを伝送するフロントホールインターフェースまたはオープンフロントホールインターフェース（Ｏ－ＦＨ）７１０を含む。Ｆ１インターフェース７１２は、ＤＵ７１１とＣＵ７１３要素との間のインターフェースを提供する。ＮＧインターフェース７１４は、しばしば、ＣＵ７１３とコアネットワーク７１５との間のインターフェースを提供する。同様に、ニアリアルタイムのＲＩＣ７０３は、Ｅ２インターフェース７１９を含むいくつかのインターフェースおよびプロトコルを利用して、ＤＵ７１１、ＣＵ７１３、およびＲＵ７０９を含む要素間でＲＩＣ ｘＡｐｐｓにデータを渡す。非リアルタイムＲＩＣ７０５は、Ａ１およびＯ１インターフェース７２１などのインターフェースを利用して、ＣＵ７１３およびコア７１５構成要素およびニアリアルタイムＲＩＣ７０３と相互運用する。
【0145】
図７に示す各要素は、無線の実際の展開エッジ、無線エッジに近いエッジクラウドホスティングサーバ、エッジクラウドの近くのどこかにあるが離れていてもよいリージョンクラウド、およびリージョンおよびエッジ構成要素に接続する国または動作エリア内に１つ以上のロケーションを持つことが多いナショナルクラウドに展開することができる。これらは、ＲＡＮコンポーネントの配置との関連で大まかに説明されているが、デプロイに関する考慮事項によってはある程度異なる場合がある。一部の展開では、８、７．２、７．２ｃ、７、６などのさまざまな分割が発生する可能性があり、そのような場合にはＲＵ７０９、ＤＵ７１１、およびＣＵ７１３の機能がマージされることもある。同様に、ネットワーク機能アプリケーションプラットフォームインタフェース（ｎＦＡＰＩ）などのインタフェースを使用して、物理層（ＰＨＹ）およびメディアアクセス制御アドレス（ＭＡＣ）コンポーネントを、図７に示すものとは異なるスプリットに沿ってスプリットすることができる。
【0146】
ここで、一組のソフトウェアルーチンは、サーバまたはクラウドコンピューティングエンジンに展開され、これは、ＲＩＣ７０２ ｘＡＰＰ内、ニアＲＴ ＲＩＣ７０３または非ＲＴ ＲＩＣ７０５内、別のクラウドサービスまたはコンピューティングサーバ内、または集中ユニット（ＣＵ）コア７１３内、またはＲＡＮ内の別の組み込みコンピューティングデバイス内に連結され得る。ＣＵ７１３のデプロイは、エッジクラウド７１７または領域／ナショナルクラウド７０７内で実現でき、領域／ナショナルクラウド７０７は、領域または国を越えた通信のための動作を実行できる。ここで、チャネルモデル７０１は、更新または測定を、無線ユニット（ＲＵ）、例えばＲＵ７０９、分散ユニット（ＤＵ）、例えばＤＵ７１１、または集中ユニット（ＣＵ）、例えばＣＵ７１３によって提供されるチャネルモデルに組み込むことができる。場合によっては、ＤＵ７１１内の第１層は、インターネットプロトコル（ＩＰ）、伝送制御プロトコル（ＴＣＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、ストリーム制御伝送プロトコル（ＳＣＴＰ）、またはこのデータをチャネルモデリングソフトウェアに伝送する別のプロトコルなどのネットワークプロトコルを介して、ユーザ装置（ＵＥ）に関するメタデータとともに、チャネル状態情報またはチャネル応答推定などの測定データを提供することがある。
【0147】
場合によっては、データは最初にデータベースを通過し、あるいはＤＵ７１１／ＣＵ７１３／ＲＵ７０９は、データをより局所的に格納し、この情報を得るために、チャネルモデリングソフトウェアによって照会され、または照会されてもよい。他の場合には、ＵＥは、チャネル情報および／またはチャネル品質情報を格納するネットワークサービスに、ＴＣＰ／ＩＰ、ＵＤＰ、ＳＣＴＰ、または同様のネットワークプロトコルを介して、この情報を提供することができる。場合によっては、このネットワークサービスがクラウド、ＲＩＣ、ｘＡＰＰなどで実行されることがある。ネットワークサービスは、シミュレーションおよび伝搬モデリング情報を提供することができ、これは、例えば、リンクの信頼性、スループット、待ち時間、または他の適切なパラメータを予測するために、デバイスまたはセクタ間の干渉に関する情報、カバレッジエリアに関する情報、または、ネットワーク領域または将来のネットワーク計画情報上のリンク品質を予測するために使用することができる。
【0148】
このようなネットワークサービスを使用することは、プライベート５Ｇネットワークのような工業用デプロイにおいて有用であり得、工業用製造デバイス又は監視デバイスは、そのパスが確実であり、感受性の高い低遅延製造ルーチンのような重要な工業用活動の間に劣化を経験しないことを保証する必要がある。同様に、本明細書に記載する生成チャネルモデルシミュレーションなどのチャネルシミュレーションのようなチャネルシミュレーションは、チャネル推定、等化、ＭＩＭＯ／単一入力多出力（ＳＩＭＯ）／多入力単一出力（ＭＩＳＯ）結合または送信、または４Ｇ、５Ｇ、または６Ｇ無線セルラシステムまたはＷｉ－Ｆｉシステム内のマルチユーザＭＩＭＯ（ＭＵ－ＭＩＭＯ）または単一ユーザＭＩＭＯ（ＳＵ－ＭＩＭＯ）のリソースブロック割り当てなどの、Ｌ１信号処理ルーチンを更新するために使用することができる。
【0149】
このような場合、クラウドリソースは、ニューラルネットワークおよび／または非ニューラルネットワークモデルの範囲への更新を提供する生成チャネルモデルに基づいてシミュレーションおよび訓練を提供することができ、このモデルは、無線および通信信号処理またはシステムレベルパフォーマンスメトリックのために最適化するために、Ｌ１信号処理ルーチンまたはスケジュールルーチンまたは他の信号キャンセル、受信、または割り当て方式を駆動するために使用される重みまたは他のパラメータを含むことができる。
【0150】
場合によっては、これらのデプロイされたチャネルシミュレーションシステムは、階層の形式をとることができ、ここでは、特定のシミュレーションまたはデジタルツインは、特定のセクタ、タワー、またはユーザ装置の性能を表すことができ、ここで、シミュレーションシステムは、複数のＵＥ、複数のセクタ、複数のタワー、または複数の領域の挙動のような、より高い階層の順序を表すこともできる。階層の異なるレベル間で、ローカルまたはグローバルな経験、および／または予測、モデル、および、無線伝播または他のシステム性能または特性に関する他の知識を活用するために、これらのモデルのトランスポートまたは共有が存在する可能性があり、これらは、この階層内で上下両方向である。
【0151】
図８は、無線信号伝搬をシミュレートするためのシステム８００の一例を示す図である。図８のシステムは、空間および他の入力を使用して実世界をミラーリングすることによって、無線信号伝搬をシミュレートすることができる。この例示システムは、シミュレーション８０１として表されるシミュレーションを示し、クラウドサーバ、ＧＰＵデバイス、コンピュータのクラスタ、エッジクラウドまたは他のコンピューティングプラットフォームなどのコンピューティングデバイス８０３内で実行される生成チャネルモデルネットワークを使用する。
【0152】
コンピューティングデバイス８０３は、生成ネットワークを使用して、ネットワーク重み／パラメータを更新し、および／または、このモデルに基づいて無線伝搬をシミュレートする。クラウドまたはネットワークコンピューティングリソースは、デジタル世界内の物理的世界８０５の鏡像をシミュレートし、無線伝搬現象と共に、物理的形状、装置および目的挙動をシミュレートする。示されるように、生成チャネルモデル、例えば、チャネルに対するＶＡＥベースのモデルは、そのようなクラウドデジタルツイン内に格納または維持され、期待されるチャネル伝搬現象をシミュレートするために使用され得る。
【0153】
この場合、物理世界８０５内の実世界伝播環境は、テレメトリ、位置情報、または他の履歴コンテキスト情報と共に、測定、チャネル応答情報またはチャネル音声データ、チャネル品質情報、またはその他の測定ベースの統計をクラウド８０７および対応する計算装置８０３に送信することができる。実世界８０５のシミュレーション８０１のようなデジタルクラウド無線チャネルシミュレーション環境内のシミュレーションは、無線チャネルモデルのセット、特にチャネルＧＡＮやチャネルＶＡＥのような生成データ駆動チャネルモデルを使用することによって、無線システムに関する伝搬、帯域幅、待ち時間、リンク品質、または他の特性を予測するために使用することができる。
【0154】
非常に高い周波数（ＶＨＦ）、超高周波数（ＵＨＦ）、または極高周波数（ＥＨＦ）などの多くの帯域における伝搬は、予測を困難にすることがあるので、これらのデータ駆動モデルは、デジタルツインワールド表現の形成で、これらの信号の物理的世界、これらの信号の物理的世界、新しい物体または構造体の配置、物理的世界における物体の移動、新しいタイプのアンテナまたは基地局の配置、あるいは無線装置の配置、あるいは物理的世界における性能の予測のためにデジタル世界でシミュレーションされるべき他の動作または事象をシミュレートするために使用されることがある。
【0155】
多くの場合、位置測定値は、例えば、チャネルの潜在的表現内の潜在的空間にこれらを含めることによって、図３のＶＡＥのようなＶＡＥへの入力として使用することができる。潜在空間は、与えられた環境におけるいくつかまたはすべての可能なチャネル応答を生成するのに十分な値を含むことができる。同様に、シミュレートされた潜在的な位置は、シミュレートされたシステム内の仮想的または実際の無線状況内の様々な無線リンクまたはパスの性能をシミュレートするために、生成モデル内で使用することができる。
【0156】
図９は、チャネル近似システムを訓練するための処理９００の一例を示すフロー図である。処理９００は、例えば、図１のデバイス１１５や、例えば、サーバなどの、デバイス１１５に通信可能に接続された装置など、１つ以上の電子システムによって実行されてもよい。
【0157】
処理９００は、通信チャネルの周波数応答を示す第１のデータ構造の１つ以上の値を取得すること（９０２）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続されたデバイスなどの動作デバイスは、チャネル応答または送信されたデータ値を取得することができる。図４では、デバイス１１５は、信号１０８およびアンテナ１１３を使用してチャネル応答を得る。チャネル応答３０３は、チャネル応答エンジン４０３によって得られる。
【0158】
処理９００は、第１のデータ構造よりも自由度の低いパラメータを生成するように訓練された第１の機械学習モデルに、１つ以上の値を提供すること（９０４）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続された装置などの動作装置は、画像３０７ａに示されるように、図３のチャネルエンコーダネットワーク３０１に入力チャネル応答３０３を提供することができる。いくつかの場合には、画像３０７ｂに示すように、動作デバイスは送信値を提供することができる。図４において、デバイス１１５は、格納されたチャネル応答１３１からのチャネル応答、例えば入力チャネル応答３０３を、エンコーダネットワーク３０１に提供する。
【0159】
処理９００は、１つ以上のパラメータを含む第１のモデルから第１の出力を取得すること（９０６）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続されたデバイスなどの動作デバイスは、分布パラメータ４０７を取得することができる。分布パラメータ４０７は、サンプリングモジュール４０９がサンプリングする値の分布を指定することができる。サンプリングは、分布パラメータ４０７によって特定される分布内でランダム化され得る。
【0160】
処理９００は、１つ以上のパラメータを使用して第２のデータ構造を生成すること（９０８）を含む。例えば、図４に示されるように、サンプリングモジュール４０９は、分布パラメータ４０７によって特定される分布からサンプリングする。分布パラメータ４０７によって特定された分布からサンプリングされたデータ値は、学習された潜在空間変数２０５に含まれる。
【0161】
処理９００は、合成チャネル応答を生成するように訓練された第２の機械学習モデルに第２のデータ構造を提供すること（９１０）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続された装置などの動作装置は、学習された潜在空間変数２０５をデコーダネットワーク２０３に提供することができる。
【0162】
図１０は、信号エンコーダネットワークと信号デコーダネットワークとを共にチャネル近似システムを訓練するためのプロセスの例を示すフロー図である。処理９００は、例えば、図１のデバイス１１５や、例えば、サーバなどの、デバイス１１５に通信可能に接続された装置など、１つ以上の電子システムによって実行されてもよい。
【0163】
プロセス１０００は、送信される情報を取得すること（１００２）を含む。例えば、デバイス１１５や、デバイス１１５に通信可能に接続されたデバイス（例えば、サーバ）などの動作デバイスは、送信された信号抽出モジュール１１９によって行われる動作に基づいて、信号１０８から被送信情報１２１を取得することができる。
【0164】
プロセス１０００は、送信される情報をエンコードするためにエンコーダに情報を提供すること（１００４）を含む。例えば、デバイス１１５や、デバイス１１５に通信可能に接続されたデバイス（例えば、サーバ）などの動作デバイスは、被送信情報１２１をエンコーダネットワーク１２３に提供することができる。
【0165】
プロセス１０００は、チャネル近似モジュールに対応する１つ以上のネットワークにエンコードされた情報を提供すること（１００６）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続された装置などの動作装置は、エンコードされた情報１２９をチャネル近似モジュール１３３に提供することができる。
【0166】
プロセス１０００は、１つ以上のネットワークの出力をデコーダに提供すること（１００８）を含む。例えば、デバイス１１５や、デバイス１１５（例えば、サーバ）に通信可能に接続されたデバイスなどの動作デバイスは、受信信号近似値１３５をデコーダネットワーク１３９に提供することができる。
【0167】
プロセス１０００は、デコードされた出力を送信される情報と比較すること（１０１０）を含む。例えば、デコーダおよびエンコーダ更新エンジン１４３は、被送信情報の近似１４１を被送信情報１２１と比較することができる。
【0168】
プロセス１０００は、出力を受信信号と比較すること（１０１２）を含む。例えば、チャネル更新エンジン１３７は、受信信号近似１３５を受信信号１１７と比較することができる。
【0169】
プロセス１０００は、比較に基づいて、エンコーダ、デコーダ、およびチャネル近似モジュールの１つ以上を更新すること（１０１４）を含む。例えば、デコーダおよびエンコーダ更新エンジン１４３、チャネル更新エンジン１３７、ならびに結合更新エンジン１４７は、エンコーダネットワーク１２３、デコーダネットワーク１３９、およびチャネル近似モジュール１３３のうちの１つ以上を更新することができる。エンコーダネットワーク１２３、デコーダネットワーク１３９、およびチャネル近似モジュール１３３の各々は、１つ以上のニューラルネットワークを含むことができる。エンコーダネットワーク１２３、デコーダネットワーク１３９、およびチャネル近似モジュール１３３の更新は、対応するニューラルネットワークの１つ以上の重みまたはレイヤを調整することを含むことができる。
【0170】
図１１は、ニューラルネットワークの訓練および可変通信チャネル応答の生成のために使用されるコンピューティングシステムの一例を示す図である。コンピューティングシステムは、コンピューティングデバイス１１００と、モバイルコンピューティングデバイス１１５０とを含み、これらの一方または両方を、本明細書に記載する技術を実装するために使用することができる。例えば、システム１００の１つ以上の構成要素は、コンピューティングデバイス１１００、モバイルコンピューティングデバイス１１５０、例えばデバイス１０１、デバイス１１５、又はデバイス１１５、例えばサーバ、デバイス５０１、又はデバイス５０７に通信可能に接続されたデバイスであってもよい。
【0171】
コンピューティングデバイス１１００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、及び他の適切なコンピュータなどの様々な形態のデジタルコンピュータを表す。モバイルコンピューティングデバイス１１５０は、パーソナルデジタルアシスタント、セルラ電話、スマートフォン、モバイル組み込み無線システム、無線診断コンピューティングデバイス、および他の同様のコンピューティングデバイスなど、様々な形態のモバイルデバイスを表すことが意図されている。ここに示す構成要素、それらのコネクションと関係、およびそれらの機能は単なる例であり、制限するものではない。
【0172】
コンピューティングデバイス１１００は、プロセッサ１１０２、メモリ１１０４、記憶デバイス１１０６、メモリ１１０４および複数の高速拡張ポート１１１０に接続する高速インターフェース１１０８、および低速拡張ポート１１１４および記憶デバイス１１０６に接続する低速インターフェース１１１２を含む。プロセッサ１１０２、メモリ１１０４、記憶デバイス１１０６、高速インターフェース１１０８、高速拡張ポート１１１０、及び低速インターフェース１１１２の各々は、様々なバスを用いて相互接続されており、共通のマザーボード上に、又は適宜他の方法で取り付けることができる。プロセッサ１１０２は、高速インタフェース１１０８に結合されたディスプレイ１１１６などの外部入出力装置上のＧＵＩに関するグラフィック情報を表示するために、メモリ１１０４に記憶される命令を含む、または記憶デバイス１１０６上に記憶される命令を含む、コンピューティングデバイス１１００内で実行するための命令を処理することができる。他の実施では、必要に応じて、複数のメモリおよびタイプのメモリと共に、複数のプロセッサおよび／または複数のバスを使用することができる。さらに、複数のコンピューティング装置が接続され、各デバイスが動作の一部分（例えば、サーババンク、ブレードサーバのグループ、またはマルチプロセッサシステム）を提供する。いくつかの実施では、プロセッサ１１０２は、シングルスレッドプロセッサである。いくつかの実施では、プロセッサ１１０２はマルチスレッドプロセッサである。いくつかの実施では、プロセッサ１１０２は量子コンピュータである。
【0173】
メモリ１１０４は、コンピューティングデバイス１１００内に情報を格納する。いくつかの実施では、メモリ１１０４は揮発性メモリユニットまたはユニットである。いくつかの実施では、メモリ１１０４は不揮発性メモリユニットまたはユニットである。メモリ１１０４はまた、磁気または光ディスクのような、コンピュータ可読媒体の別の形態であってもよい。
【0174】
記憶デバイス１１０６は、コンピューティングデバイス１１００に大容量記憶デバイスを提供することができる。いくつかの実施形態において、記憶デバイス１１０６は、フロッピーディスク装置、ハードディスク装置、光ディスク装置、またはテープ装置、フラッシュメモリまたは他の類似のソリッドステートメモリ装置、または記憶域ネットワークまたは他の構成内の装置を含む装置のアレイであってもよいし、またはそれらを含んでもよい。命令は、情報キャリアに格納することができる。命令は、１つ以上の処理デバイス（例えば、プロセッサ１１０２）によって実行されるとき、上述のような１つ以上の方法を実行する。命令はまた、コンピュータまたは機械可読媒体（例えば、メモリ１１０４、記憶デバイス１１０６、またはプロセッサ１１０２上のメモリ）のような１つ以上の記憶デバイスによって記憶することもできる。高速インターフェース１１０８は、コンピューティングデバイス１１００に対する帯域幅を大量に消費する動作を管理し、低速インターフェース１１１２は、帯域幅を大量に消費する動作を管理する。このような関数の割当ては単なる例である。ある実施形態では、高速インタフェース１１０８は、メモリ１１０４、ディスプレイ１１１６、および様々な拡張カード（図示せず）を受け入れる高速拡張ポート１１１０に結合される。実装において、低速インターフェース１１１２は、記憶デバイス１１０６および低速拡張ポート１１１４に結合される。種々の通信ポート（例えば、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ、イーサネット、無線イーサネット）を含むことができる低速拡張ポート１１１４は、キーボード、ポインティングデバイス、スキャナ、ネットワークアダプタなどを介してスイッチやルータなどのネットワーキングデバイスなど、１つ以上の入力／出力デバイスに結合することができる。
【0175】
コンピューティングデバイス１１００は、図に示すように、いくつかの異なる形態で実現することができる。例えば、標準サーバ１１２０として、またはこのようなサーバのグループ内に複数回実装することができる。さらに、ラップトップコンピュータ１１２２のようなパーソナルコンピュータで実現することもできる。また、ラックサーバシステム１１２４の一部として実装することもできる。あるいは、コンピューティングデバイス１１００からの構成要素は、モバイルコンピューティングデバイス１１５０など、モバイル端末内の他の構成要素と組み合わせてもよい。このようなデバイスのそれぞれは、コンピューティングデバイス１１００およびモバイルコンピューティングデバイス１１５０のうちの１つ以上を含み、システム全体は、互いに通信する複数のコンピューティングデバイスで構成されてもよい。
【0176】
モバイルコンピューティングデバイス１１５０は、プロセッサ１１５２、メモリ１１６４、ディスプレイ１１５４などの入力／出力デバイス、通信インターフェース１１６６、およびトランシーバ１１６８を、他のコンポーネントの中でも含んでいる。モバイルコンピューティングデバイス１１５０はまた、追加の記憶デバイスを提供するために、マイクロドライブまたは他のデバイスなどのストレージを備えることができる。プロセッサ１１５２、メモリ１１６４、ディスプレイ１１５４、通信インターフェース１１６６、及びトランシーバ１１６８の各々は、様々なバスを用いて相互接続されており、これらの構成要素のいくつかは、共通のマザーボード上に、又は必要に応じて他の方法で取り付けられてもよい。
【0177】
プロセッサ１１５２は、メモリ１１６４に格納された命令を含む、モバイルコンピューティングデバイス１１５０内の命令を実行することができる。プロセッサ１１５２は、別個の、および複数のアナログおよびデジタルプロセッサを含むチップセットとして実施可能である。プロセッサ１１５２は、例えば、モバイルコンピューティングデバイス１１５０の他の構成要素、例えば、ユーザインターフェースの制御、モバイルコンピューティングデバイス１１５０によって実行されるアプリケーション、およびモバイルコンピューティングデバイス１１５０による無線通信の調整を提供してもよい。
【0178】
プロセッサ１１５２は、制御インターフェース１１５８およびディスプレイ１１５４に結合されたディスプレイインタフェース１１５６を介してユーザと通信することができる。ディスプレイ１１５４は、例えば、ＴＦＴ（Ｔｈｉｎ－Ｆｉｌｍ－Ｔｒａｎｓｉｓｔｏｒ Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）ディスプレイまたはＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）ディスプレイ、または他の適切なディスプレイ技術であってもよい。ディスプレイインターフェース１１５６は、グラフィカルおよび他の情報をユーザに提示するために、ディスプレイ１１５４を駆動するための適切な回路を含んでもよい。制御インターフェース１１５８は、ユーザからのコマンドを受け取り、それらをプロセッサ１１５２に提出するために変換することができる。さらに、外部インターフェース１１６２は、プロセッサ１１５２との通信を提供して、モバイルコンピューティングデバイス１１５０と他のデバイスとの近距離通信を可能にすることができる。外部インターフェース１１６２は、例えば、いくつかの実施形態では有線通信のために、または他の実施形態では無線通信のために提供してもよく、また、複数のインターフェースが使用されてもよい。
【0179】
メモリ１１６４は、モバイル計算デバイス１１５０内に情報を格納する。メモリ１１６４は、コンピュータ可読媒体または媒体、揮発性メモリユニットまたはユニット、または不揮発性メモリユニットまたはユニットのうちの１つ以上として実装可能である。拡張メモリ１１７４を設け、例えばＳＩＭＭ（Ｓｉｎｇｌｅ Ｉｎ Ｌｉｎｅ Ｍｅｍｏｒｙ Ｍｏｄｕｌｅ）カードインタフェースを含んでもよい拡張インタフェース１１７２を介して、モバイルコンピューティングデバイス１１５０に接続してもよい。拡張メモリ１１７４は、モバイルコンピューティングデバイス１１５０のための追加の記憶空間を提供し得、または、モバイルコンピューティングデバイス１１５０のためのアプリケーションまたはその他の情報を記憶し得る。具体的には、拡張メモリ１１７４は、上述のプロセスを実行または補足するための命令を含み得、安全情報も含み得る。したがって、例えば、拡張メモリ１１７４は、モバイルコンピューティングデバイス１１５０のためのセキュリティモジュールとして提供されてもよく、モバイルコンピューティングデバイス１１５０の安全な使用を可能にする命令でプログラムされてもよい。さらに、ＳＩＭＭカードを介して、ＳＩＭＭカード上の識別情報をハッキング不可能な方法で配置するなどの追加情報とともに、安全なアプリケーションを提供することができる。
【0180】
メモリは、例えば、フラッシュメモリおよび／またはＮＶＲＡＭメモリ（不揮発性ランダムアクセスメモリ）を含むことができる。いくつかの実施では、命令は、１つ以上の処理装置（例えば、プロセッサ１１５２）によって実行されるときに、上述のような１つ以上の方法を実行するように、情報キャリアに格納される。命令はまた、１つ又は複数のコンピュータ又は機械可読媒体（例えば、メモリ１１６４、拡張メモリ１１７４、又はプロセッサ１１５２上のメモリ）のような１又はそれ以上の記憶デバイスによって記憶することができる。いくつかの実施では、命令は、例えば、トランシーバ１１６８または外部インターフェース１１６２を介して、伝搬された信号で受信可能である。
【0181】
モバイルコンピューティングデバイス１１５０は、場合によってはデジタル信号処理回路を含んでもよい通信インターフェース１１６６を介して無線で通信することができる。通信インターフェース１１６６は、ＧＳＭ音声通話（移動通信のためのグローバルシステム）、ＳＭＳ（ショートメッセージサービス）、ＥＭＳ（拡張メッセージングサービス）、またはＭＭＳメッセージング（マルチメディアメッセージングサービス）、ＣＤＭＡ（符号分割多元接続）、ＴＤＭＡ（時分割多元接続）、ＰＤＣ（パーソナルデジタルセルラ）、ＷＣＤＭＡ（広帯域符号分割多元接続）、ＣＤＭＡ２０００、またはＧＰＲＳ（一般パケット無線サービス）、４Ｇ ＬＴＥ／ＬＴＥ－Ａｄｖａｎｃｅｄ、５Ｇ／５Ｇ Ａｄｖａｎｃｅｄ、６Ｇセルラーなどの種々のモードまたはプロトコルの下での通信を提供することができる。このような通信は、例えば、無線周波数を使用してトランシーバ１１６８を介して行われる。また、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉなどのトランシーバ（図示せず）を使用するなど、近距離通信が発生する場合がある。さらに、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）受信モジュール１１７０は、モバイルコンピューティングデバイス１１５０上で実行されるアプリケーションによって適切に使用されることがある、追加のナビゲーションおよび位置関連無線データをモバイルコンピューティングデバイス１１５０に提供することができる。
【0182】
また、モバイルコンピューティングデバイス１１５０は、ユーザから音声情報を受信し、それを使用可能なデジタル情報に変換することができるオーディオコーデック１１６０を使用して音声で通信することもできる。音声コーデック１１６０は同様に、例えばモバイルコンピューティングデバイス１１５０のハンドセット内のスピーカなどを介して、ユーザのために可聴音を発生し得る。そのような音声は、音声電話呼出からの音声を含み、記録された音声（例えば、音声メッセージ、音楽ファイルなど）を含み、また、モバイルコンピューティングデバイス１１５０上で動作するアプリケーションによって生成された音声を含み得る。
【0183】
モバイルコンピューティングデバイス１１５０は、図に示すように、いくつかの異なる形態で実現することができる。例えば、それはセルラ電話機１１８０として実施されてもよい。また、スマートフォン１１８２、パーソナルデジタルアシスタント、または他の同様のモバイルデバイスの一部として実施されることもできる。
【0184】
いくつかの実施について説明してきた。しかしながら、本開示の技術思想および範囲から逸脱せずに、種々の改変がなされてもよいということを理解されたい。例えば、上に示された様々な形態のフローは、ステップを再配列、追加、または削除して使用され得る。
【0185】
本発明の実施形態および本明細書に記載する機能の動作のすべては、デジタル電子回路、またはコンピュータソフトウェア、ファームウェア、またはハードウェアで実現することができ、これには、本明細書に開示する構造およびそれらの構造的等価物、またはそれらの１つ以上の組合せが含まれる。本発明の実施形態は、データ処理装置による実行のために、またはデータ処理装置の動作を制御するために、コンピュータ可読媒体上にエンコードされたコンピュータプログラム命令の１つ以上のモジュールなど、１つ以上のコンピュータプログラム製品として実施することができる。コンピュータ読取り可能媒体は、機械可読可能記憶デバイス、機械可読可能記憶基板、記憶デバイス、機械可読可能伝搬信号に影響する物体の構成、またはそれらの１つ以上の組合せであり得る。「データ処理装置」という用語は、例えば、プログラマブルプロセッサ、コンピュータ、または複数のプロセッサまたはコンピュータを含む、データを処理するための全ての装置、デバイス、および機械を包含する。本装置は、ハードウェアに加えて、当該コンピュータプログラムの実行環境を作成するコード、例えば、プロセッサファームウェアを構成するコード、プロトコルスタック、データベース管理システム、オペレーティングシステム、またはそれらの１つ以上の組合せを含むことができる。伝搬される信号は、人工的に生成された信号、例えば、適切な受信デバイスに送信するための情報をエンコードするために生成される機械生成の電気信号、光学信号、または電磁信号である。
【0186】
コンピュータプログラム（プログラム、ソフトウェア、アプリケーション、スクリプト、またはコードとも呼ばれる）は、コンパイルまたは解釈された言語を含む、任意の形式のプログラミング言語で書くことができ、スタンドアロンプログラムとして、あるいは、コンピューティング環境での使用に適したモジュール、構成要素、サブルーチン、またはその他のユニットとして、任意の形式でデプロイすることができる。コンピュータプログラムは、必ずしもファイルシステム内のファイルに対応しているわけではない。プログラムは、他のプログラムまたはデータを保持するファイルの一部（例えば、マークアップ言語ドキュメントに格納された１つ以上のスクリプト）、問題のプログラム専用の１つのファイル、または複数の協調ファイル（例えば、１つ以上のモジュール、サブプログラム、またはコードの一部を格納するファイル）に格納することができる。コンピュータプログラムは、１台のコンピュータ上で実行されるように、または１つのサイトにデプロイされるか、または複数のサイトに分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるようにデプロイすることができる。
【0187】
本明細書に記載するプロセスおよび論理フローは、１つ以上のコンピュータプログラムを実行する１つ以上のプログラマブルプロセッサによって実行され、入力データ上で動作し、出力を生成することによって機能を実行することができる。プロセスおよび論理フローはまた、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路）などの特殊目的論理回路によって実行することができ、また装置としても実行できる。
【0188】
コンピュータプログラムの実行に適したプロセッサは、一例として、汎用および専用マイクロプロセッサの両方、ならびに任意の種類のデジタルコンピュータの任意の１つ以上のプロセッサを含む。一般に、プロセッサは、読み出し専用メモリまたはランダムアクセスメモリ、あるいはその両方から、命令およびデータを受信する。コンピュータの本質的な要素は、命令を実行するためのプロセッサと、命令およびデータを格納するための１つ以上の記憶デバイスである。一般に、コンピュータは、データを、例えば、磁気、光磁気ディスク、または光ディスクに格納するための、１つ以上の大容量記憶デバイス、あるいはその両方から、データを受信したり、データを転送したりするために、または動作的に結合される。しかしながら、コンピュータは、そのようなデバイスを有する必要はない。さらに、コンピュータは、タブレットコンピュータ、移動電話、パーソナルデジタルアシスタント、モバイルオーディオプレーヤ、ＧＰＳ（地球測位システム）受信機などの別のデバイスに組み込むことができ、少数の名称を付すことができる。コンピュータプログラム命令およびデータを記憶するのに適したコンピュータ可読媒体は、例として、半導体メモリデバイス、例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイス、磁気ディスク、例えば、内部ハードディスクまたは取外し可能ディスク、磁気光学ディスク、およびＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭディスクを含む、あらゆる形態の不揮発性メモリ、媒体およびメモリデバイスを含む。プロセッサ及びメモリは、特殊目的論理回路によって補足され、又はその中に組み込まれることができる。
【0189】
ユーザとの対話を提供するために、本発明の実施形態は、ユーザに情報を表示するための、例えばＣＲＴ（カソード線管）またはＬＣＤ（液晶ディスプレイ）監視、およびユーザがコンピュータに入力を提供することができる、キーボードおよびポインティングデバイス、例えばマウスまたはトラックボールを有するコンピュータ上で実現することができる。他の種類のデバイスも、ユーザとの対話を提供するために使用することができ、例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック、例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバックとすることができ、ユーザからの入力は、音響、音声、または触覚入力を含む任意の形態で受信することができる。
【0190】
本発明の実施形態は、バックエンド構成要素、例えばデータサーバとして含むか、またはミドルウェア構成要素、例えばアプリケーションサーバを含むか、またはフロントエンド構成要素、例えば、グラフィカルユーザインターフェースまたはウェブブラウザを有するクライアントコンピュータを含むか、またはユーザが本発明の実施形態と対話することができるクライアントコンピュータ、または１つ以上のそのようなバックエンド、ミドルウェア、またはフロントエンド構成要素の任意の組合せを含む計算システムで実現することができる。システムの構成要素は、任意の形態またはディジタルデータ通信の媒体、例えば通信ネットワークによって相互接続することができる。通信ネットワークの例には、ローカルエリアネットワーク（「ＬＡＮ」）およびワイドエリアネットワーク（「ＷＡＮ」）、例えばインターネットが含まれる。
【0191】
コンピューティングシステムは、クライアントおよびサーバを含むことができる。クライアントとサーバは一般に互いにリモートにあり、典型的には通信ネットワークを介して相互作用する。クライアントとサーバの関係は、それぞれのコンピュータ上で動作するコンピュータプログラムと、クライアント／サーバ間の関係によって生じる。
【0192】
本明細書は多くの詳細を含んでいるが、これらは、本発明の範囲またはクレームできるものに対する制限として解釈されるべきではなく、むしろ本発明の特定の実施形態に特有の特徴の記述として解釈されるべきである。別個の実施形態の文脈で本明細書に記載される特定の特徴も、単一の実施形態において組み合わせて実施可能である。逆に、単一実施形態の文脈で説明される様々な特徴は、複数の実施形態において、別々に、または任意の適切なサブコンビネーションで実装することもできる。さらに、特徴は、特定の組合せにおいて機能するものとして上述し、そのようなものとして最初にクレームされたものであってもよいが、クレームされた組合せから１つ以上の特徴をいくつかの場合において組合せから切り離すことができ、クレームされた組合せは、サブコンビネーションまたはサブコンビネーションのバリエーションに向けられてもよい。
【0193】
同様に、動作は、特定の順序で図面中に描かれるが、これは、そのような動作が、示された特定の順序で、又は順番に実行されること、又は、図示されたすべての動作が、所望の結果を達成するために実行されることを要求するものとは解釈されない。特定の状況では、マルチタスクおよび並列処理が有利である場合がある。さらに、上述の実施形態における種々のシステム構成要素の分離は、すべての実施形態においてそのような分離を必要とするものとして理解されるべきではなく、記述されたプログラム構成要素およびシステムは、一般に、単一のソフトウェア製品に一緒に統合され、または複数のソフトウェア製品にパッケージ化され得ることが理解されるべきである。
【0194】
本発明の特定の実施形態について説明した。他の実施形態は、以下のクレームの範囲内である。例えば、クレームに記載されているステップは、異なる順序で実行することができ、依然として望ましい結果を達成することができる。
【図1】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【国際調査報告】